Qdrant 向量数据库入门

沉迷在 - Java.li - 无法自拔

Qdrant 向量数据库入门

HiF · 2026-07-29 · via 沉迷在 - Java.li - 无法自拔

下面这篇按你之前说的风格来写：标题简单，正文详细讲清楚。主题可以作为 java.li 向 AI 应用、RAG、向量检索方向扩展的一篇基础文章。

Qdrant 向量数据库入门

最后更新：2026-07-29
适用场景：向量数据库、语义搜索、RAG 知识库、AI 问答、相似内容推荐、图片搜索、商品搜索、Spring AI、Java 后端接入向量检索

这两年做 AI 应用，经常会听到一个词：向量数据库。

比如你想做一个知识库问答系统，用户问：

Spring Boot 3 为什么要求 JDK17？

传统数据库更擅长查这种：

select * from article where title like '%Spring Boot 3%'

但如果文章标题里没有完全一样的关键词，只是内容里讲了：

Spring Boot 3 基于 Spring Framework 6，最低要求 Java 17

普通关键词搜索可能就没那么好用了。

向量数据库解决的就是这类问题：不是只看关键词一样不一样，而是看语义接不接近。

Qdrant 就是一个常见的开源向量数据库。它可以把文本、图片、音频等内容对应的向量存起来，再根据相似度找出最接近的内容。Qdrant 官方文档也把向量搜索解释为一种超越关键词匹配的信息检索方式：先用 embedding model 把文本、图片、音频等非结构化数据转成向量，再在高维向量空间里查找语义相近的数据。(Qdrant)

一、先说结论：Qdrant 是干什么的？

简单说：

Qdrant 是一个用来存储和检索向量的数据库。

它最常见的用途是：

语义搜索
RAG 知识库
相似文章推荐
商品相似推荐
图片相似搜索
问答系统召回
AI Agent 记忆库
简历和岗位匹配
代码语义搜索

你可以把它理解成：

MySQL 擅长精确查数据
Elasticsearch 擅长关键词搜索
Redis 擅长缓存和快速读写
Qdrant 擅长“相似度搜索”

当然，这个类比不是绝对的。Qdrant 不是拿来替代 MySQL 的，它更适合解决“根据语义找相似内容”的问题。

比如：

用户问：Java 项目启动时报 DataSource 错误怎么办？

系统可以从知识库里找到：
Spring Boot Failed to configure a DataSource 解决办法

即使用户没有完全输入文章标题，系统也能根据语义找到相关内容。

二、向量到底是什么？

向量本质上就是一组数字。

例如一段文本：

Spring Boot 启动时报 DataSource 错误

经过 embedding model 处理后，可能会变成类似这样的数字数组：

[0.12, -0.08, 0.45, 0.91, ...]

真实场景里，向量维度可能是：

具体维度取决于你使用的 embedding 模型。

向量数据库不会凭空理解文本。一般流程是：

原始文本
  ↓
Embedding 模型
  ↓
向量
  ↓
写入 Qdrant
  ↓
用户问题也转成向量
  ↓
Qdrant 查找最相似的向量
  ↓
返回对应文章、段落、商品或图片

这点很重要：Qdrant 负责存储和检索向量，但“把文本变成向量”通常需要 embedding 模型来完成。

Qdrant 官方概览中也提到，向量搜索通常从 embedding model 开始，它会把非结构化数据转换成固定长度的 dense vector embeddings；查询时，用户请求也会被转换成 query vector，然后返回最接近的 Top-K 结果。(Qdrant)

三、Qdrant 适合哪些场景？

1. RAG 知识库

这是现在最常见的场景。

比如你有一批文档：

公司内部文档
产品说明书
技术博客
客服问答
API 文档
法律条款
企业知识库

你可以把它们拆成小段，每一段生成一个向量，存进 Qdrant。

用户提问时：

怎么配置 Maven 国内镜像？

系统先把这个问题转成向量，然后从 Qdrant 里找出最相似的几段内容，再交给大模型组织答案。

这就是常见的 RAG 流程：

用户问题
  ↓
向量检索
  ↓
召回相关文档
  ↓
大模型结合文档回答

Qdrant 官方也把 Hybrid Retrieval 作为增强检索体验的一种方式，结合语义搜索和词法搜索来提高结果稳健性。(Qdrant)

2. 语义搜索

传统搜索更依赖关键词。

比如用户搜：

JDK 环境变量不生效

传统搜索可能更容易匹配到标题里包含“JDK”“环境变量”的文章。

语义搜索更关注意思。它可能找到：

Windows 配置 JAVA_HOME 后 java -version 显示旧版本
javac 不是内部或外部命令怎么办
IDEA 配置本地 JDK 教程

这些内容不一定和用户输入完全一样，但语义相关。

对于技术站来说，语义搜索很适合用在：

站内搜索
文档搜索
报错搜索
FAQ 搜索
代码片段搜索

3. 相似内容推荐

比如你的网站里有一篇文章：

Maven 依赖冲突怎么排查

系统可以根据这篇文章的向量，找出相似文章：

Maven 下载依赖失败怎么处理
Maven 国内镜像配置教程
No compiler is provided in this environment
Spring Boot 2 升级 3 指南

这比单纯按标签推荐更灵活。

标签推荐只能看到：

Maven
Java
Spring Boot

向量推荐能看到文章内容本身的相似度。

4. 商品和内容推荐

电商、内容社区、资讯站都可以用。

例如商品推荐：

用户正在看一款机械键盘
系统推荐相似手感、相似价格、相似品牌的键盘

内容推荐：

用户看了 Spring Boot DataSource 报错
系统推荐其他 Spring Boot 启动报错

简历匹配：

岗位描述转向量
简历内容转向量
找出匹配度高的候选人

5. 图片相似搜索

向量不只用于文本。

如果你用图像 embedding 模型，可以把图片转换成向量。然后就能做：

以图搜图
相似商品图搜索
重复图片检测
图片素材推荐
图片风格相似度查找

6. AI Agent 记忆库

Agent 应用里经常需要“记住”过去的信息。

比如：

用户偏好
历史对话
任务记录
文档片段
工具调用结果

这些内容可以写入向量数据库，后续根据当前任务语义召回相关记忆。

不过这里要注意：不是所有记忆都适合丢进向量库。结构化信息，比如用户 ID、权限、订单状态，还是更适合放在传统数据库里。

四、Qdrant 的几个核心概念

Qdrant 的概念不算复杂，先理解这几个就够了：

Collection
Point
Vector
Payload
Distance
Filter
Index

五、Collection 是什么？

Collection 可以粗略理解为“一个向量集合”。

比如你可以建一个 collection：

java_articles

里面放你网站所有 Java 文章的向量。

也可以建：

product_vectors

里面放商品向量。

再比如：

faq_vectors

里面放 FAQ 问答向量。

一个 Collection 里会定义向量维度和相似度算法，比如：

向量维度：768
距离算法：Cosine

Qdrant 官方快速开始里也展示了创建 collection 的过程，创建时需要指定向量 size 和 distance，例如示例中用 VectorParams(size=4, distance=Distance.DOT) 创建测试集合。(Qdrant)

六、Point 是什么？

Point 是 Qdrant 里最核心的数据单位。

一个 Point 通常包含：

id
vector
payload

可以理解成：

一条可检索的数据

例如一篇文章的一个段落：

{
  "id": 1001,
  "vector": [0.12, 0.23, 0.34, 0.45],
  "payload": {
    "title": "Spring Boot DataSource 报错怎么处理",
    "url": "/archives/spring-boot-failed-to-configure-datasource",
    "category": "Spring Boot",
    "tag": ["Spring Boot", "DataSource", "MySQL"]
  }
}

Qdrant 官方文档对 Point 的定义很直接：Point 是 Qdrant 操作的中心实体，它是一条由 vector 和可选 payload 组成的记录；Point 可以按向量相似度在 collection 中被搜索。(Qdrant)

七、Vector 是什么？

Vector 就是用来做相似度计算的那组数字。

比如：

[0.05, 0.61, 0.76, 0.74]

这只是演示向量，真实 embedding 向量通常维度更高。

Qdrant 支持多种向量结构，包括 dense vectors、sparse vectors 和 multivectors；一个 point 也可以挂多个不同类型或不同用途的 named vectors。(Qdrant)

简单理解：

类型	适合场景
Dense Vector	语义搜索、RAG、图片搜索
Sparse Vector	关键词、精确词项、文本检索
MultiVector	ColBERT 这类 late interaction 模型
Named Vector	一个点里存多种向量，比如标题向量、正文向量

新手一开始不用把这些全用上，先用普通 dense vector 就够了。

八、Payload 是什么？

Payload 就是附加信息，通常是 JSON。

比如：

{
  "title": "Maven 国内镜像配置教程",
  "url": "/archives/FtMJgXo1",
  "category": "Maven",
  "published": true,
  "createdAt": "2026-05-12"
}

Payload 的作用不是计算语义相似度，而是方便你：

返回标题和链接
按分类过滤
按用户权限过滤
按时间过滤
按标签过滤
按价格过滤
按地区过滤

比如用户搜 Java 文章时，你只想返回：

category = Java技术交流
published = true

这就需要过滤。

Qdrant 官方 Filtering 文档说明，搜索或获取 points 时可以对 payload 和 point id 设置条件；这种过滤适合处理 embedding 无法表达的业务条件，比如库存、位置、价格范围等。(Qdrant)

九、Distance 是什么？

Distance 决定了 Qdrant 怎么判断两个向量“像不像”。

常见距离方式有：

Cosine
Dot
Euclid
Manhattan

简单理解：

距离方式	常见用途
Cosine	文本语义搜索、RAG、文档检索
Dot	推荐系统、排序、部分 embedding 模型
Euclid	空间距离、聚类、异常检测
Manhattan	稀疏数据、部分数值场景

如果你不知道该选哪个，文本语义搜索通常优先看 embedding 模型文档。如果模型文档没说明，Qdrant 的距离指标课程里也提到，Cosine 常用于 NLP embeddings、semantic search 和 document retrieval；在不确定时，Cosine 往往是一个安全默认选择。(Qdrant)

十、Qdrant 和 Elasticsearch 有什么区别？

很多人会问：

既然有 Elasticsearch，为什么还要 Qdrant？

简单说：

Elasticsearch 更偏关键词检索
Qdrant 更偏向量相似度检索

比如用户搜索：

Spring Boot 数据库连接失败

Elasticsearch 更擅长找包含这些词的文档。

Qdrant 更擅长找语义相近的内容，比如：

Failed to configure a DataSource
spring.datasource.url 未配置
MySQL 驱动缺失
application-dev.yml 没激活

它们不是非此即彼。

很多场景更适合混合：

关键词搜索 + 向量搜索

这就是 Hybrid Search。Qdrant 的 Hybrid Queries 文档也支持把 dense、sparse、multivector 等多路召回结果融合起来，并提供 RRF、DBSF 等融合方式；如果没有评测集也没有强分数先验，官方文档把 RRF 作为较安全的默认选择。(Qdrant)

十一、Qdrant 和 MySQL 有什么区别？

MySQL 存的是结构化数据：

用户表
订单表
文章表
商品表

它适合：

select * from article where id = 1001;
select * from article where category = 'Java';
select * from order where user_id = 1;

Qdrant 存的是向量和 payload，适合：

找和这段话语义最接近的文章
找和这张图片最相似的图片
找和这个商品描述最接近的商品
找和这个问题最相关的知识库片段

实际项目里通常是：

MySQL 存业务主数据
Qdrant 存向量索引
Redis 做缓存
Elasticsearch 做关键词搜索

不要把所有数据都塞进 Qdrant。结构化、强事务、复杂关系查询，还是 MySQL 这类数据库更合适。

十二、Qdrant 本地启动

本地体验 Qdrant，最简单的方式是 Docker。

docker pull qdrant/qdrant

启动服务：

docker run -p 6333:6333 -p 6334:6334 \
  -v "$(pwd)/qdrant_storage:/qdrant/storage:z" \
  qdrant/qdrant

Qdrant 官方快速开始文档中也是先拉取 qdrant/qdrant 镜像，再映射 6333 和 6334 端口；默认配置下数据会存到 ./qdrant_storage 目录。(Qdrant)

启动后常用入口：

REST API: http://localhost:6333
Web UI:   http://localhost:6333/dashboard
gRPC:     localhost:6334

Qdrant 官方文档也明确列出了这三个默认访问方式：REST API 使用 6333，Web UI 在 6333 的 dashboard 路径，gRPC API 使用 6334。(Qdrant)

十三、先用 REST API 体验一下

为了理解概念，先不用写 Java 代码，直接用 REST API 体验更直观。

1. 创建 Collection

curl -X PUT "http://localhost:6333/collections/java_articles" \
  -H "Content-Type: application/json" \
  -d '{
    "vectors": {
      "size": 4,
      "distance": "Cosine"
    }
  }'

这里 size=4 只是演示。真实项目中，这个值要和你的 embedding 模型输出维度一致。

比如模型输出 768 维，你就要建 768 维的 collection。

2. 写入 Points

curl -X PUT "http://localhost:6333/collections/java_articles/points" \
  -H "Content-Type: application/json" \
  -d '{
    "points": [
      {
        "id": 1,
        "vector": [0.1, 0.2, 0.3, 0.4],
        "payload": {
          "title": "Spring Boot DataSource 报错怎么处理",
          "category": "Spring Boot",
          "url": "/archives/spring-boot-failed-to-configure-datasource"
        }
      },
      {
        "id": 2,
        "vector": [0.2, 0.1, 0.4, 0.3],
        "payload": {
          "title": "Maven 国内镜像配置教程",
          "category": "Maven",
          "url": "/archives/FtMJgXo1"
        }
      },
      {
        "id": 3,
        "vector": [0.8, 0.1, 0.1, 0.2],
        "payload": {
          "title": "Windows 安装 JDK 教程",
          "category": "JDK",
          "url": "/archives/windows-install-jdk-java-home"
        }
      }
    ]
  }'

官方快速开始里也用 upsert 写入点，并给每个点附带 payload；payload 可以理解为和向量关联的其他数据。(Qdrant)

3. 查询相似内容

curl -X POST "http://localhost:6333/collections/java_articles/points/query" \
  -H "Content-Type: application/json" \
  -d '{
    "query": [0.11, 0.21, 0.31, 0.39],
    "limit": 2,
    "with_payload": true
  }'

Qdrant 会返回最相似的点，以及相似度分数。

官方快速开始中也展示了 query_points 的用法：传入 query vector、limit 等参数后，Qdrant 会返回按相似度排序的结果。(Qdrant)

4. 带过滤条件查询

如果只想搜索 Spring Boot 分类：

curl -X POST "http://localhost:6333/collections/java_articles/points/query" \
  -H "Content-Type: application/json" \
  -d '{
    "query": [0.11, 0.21, 0.31, 0.39],
    "limit": 3,
    "with_payload": true,
    "filter": {
      "must": [
        {
          "key": "category",
          "match": {
            "value": "Spring Boot"
          }
        }
      ]
    }
  }'

Qdrant 官方快速开始里也给出了带 filter 的查询示例，比如通过 payload 中的 city 字段过滤结果；官方还提醒，如果真实数据集上要让过滤搜索更快，建议创建 payload index。(Qdrant)

十四、Java 项目怎么接入 Qdrant？

Qdrant 提供 REST 和 gRPC 接口，也有官方客户端。官方接口文档列出了 Python、JavaScript/TypeScript、Rust、Go、.NET、Java 等官方客户端；如果使用的语言不在列表中，也可以直接用 REST API 或通过 OpenAPI / protobuf 生成客户端。(Qdrant)

对于 Java 项目，有两种常见接入方式：

1. 用官方 Java Client
2. 直接调用 REST API

1. Maven 依赖

写稿时 Maven Central 页面显示，io.qdrant:client 的版本为 1.18.3，并标注为 Qdrant vector database 的官方 Java client。发布前你可以再到 Maven Central 查一下最新版本。(Maven Central)

<dependency>
    <groupId>io.qdrant</groupId>
    <artifactId>client</artifactId>
    <version>1.18.3</version>
</dependency>

Qdrant Java Client 的 GitHub README 也说明，它是 Qdrant 的 Java 客户端，并且要求 Java 8 或以上。(GitHub)

2. 初始化客户端

官方快速开始里，Java Client 使用 gRPC 接口连接 Qdrant，示例端口是 6334。(Qdrant)

import io.qdrant.client.QdrantClient;
import io.qdrant.client.QdrantGrpcClient;

public class QdrantClientDemo {

    public static void main(String[] args) {
        QdrantClient client = new QdrantClient(
                QdrantGrpcClient.newBuilder("localhost", 6334, false).build()
        );

        System.out.println("Qdrant client created");
    }
}

十五、Qdrant 在 RAG 里的位置

一个常见 RAG 系统大概是这样：

文档采集
  ↓
文档清洗
  ↓
切分 chunk
  ↓
生成 embedding
  ↓
写入 Qdrant
  ↓
用户提问
  ↓
问题生成 embedding
  ↓
Qdrant 召回相关 chunk
  ↓
把 chunk 和问题一起交给大模型
  ↓
生成回答

在这个流程里，Qdrant 主要负责：

存储 chunk 向量
根据问题向量召回相似 chunk
根据 payload 过滤文档
返回相似度分数和元信息

它不负责：

自己生成 embedding
自己理解业务权限
自己判断答案一定正确
自己替代大模型生成回答
自己替代 MySQL 存业务数据

这点要分清楚。

十六、RAG 里怎么设计 payload？

假设你要给 java.li 做一个站内 AI 问答，可以把文章切成段落，每个段落写入 Qdrant。

一个 point 的 payload 可以这样设计：

{
  "articleId": 1001,
  "title": "Spring Boot DataSource 报错怎么处理",
  "url": "/archives/spring-boot-failed-to-configure-datasource",
  "category": "Java技术交流",
  "tags": ["Spring Boot", "DataSource", "MySQL"],
  "chunkIndex": 3,
  "published": true,
  "createdAt": "2026-07-23"
}

这样检索时可以做到：

只搜已发布文章
只搜 Java 分类
只搜 Spring Boot 标签
返回文章标题和链接
按时间或热度做额外排序

Payload 不是摆设。一个好的 payload 设计，后面会省很多事。

十七、什么时候要建 payload index？

一开始数据很少时，不建也能跑。

但如果你经常按这些字段过滤：

category
tag
tenantId
userId
published
createdAt
price
location

就应该考虑 payload index。

Qdrant 官方 Indexing 文档解释得很清楚：向量索引用来加速向量搜索，payload index 用来加速过滤；如果搜索时要结合 filter，只靠向量索引是不够的。(Qdrant)

例如给 category 建索引：

curl -X PUT "http://localhost:6333/collections/java_articles/index" \
  -H "Content-Type: application/json" \
  -d '{
    "field_name": "category",
    "field_schema": "keyword"
  }'

Qdrant 支持给 keyword、integer、float、bool、geo、datetime、text、uuid 等类型建立 payload index；官方文档也提醒，payload index 会占用额外资源，建议只给真正用于过滤的字段建立索引。(Qdrant)

十八、Qdrant 的混合检索

只用 dense vector 有时会漏掉关键词。

比如用户搜：

No compiler is provided in this environment

这是一段非常具体的报错。如果只看语义，它可能召回 Maven、JDK、编译器相关内容，但不一定精准命中这句错误原文。

这时 sparse vector 或关键词检索就有用。

Qdrant 支持 sparse vectors，而且 sparse vectors 可以和 regular dense vectors 一起作为 named vectors 存在于同一个 point 中；官方文档也说明 sparse vectors 适合文本搜索，因为每个词可以表示为一个单独维度。(Qdrant)

所以更稳的检索通常是：

dense vector：理解语义
sparse vector：匹配关键词
rerank：重新排序
filter：做业务过滤

这就是常见的混合检索思路。

十九、Qdrant 适合放什么，不适合放什么？

适合放进 Qdrant 的内容

文章段落
知识库片段
商品描述
图片 embedding
问答对
代码片段
用户行为向量
简历文本
岗位描述
FAQ 内容

不适合只放进 Qdrant 的内容

用户账号
订单数据
支付记录
权限配置
库存扣减
强事务数据
复杂关系数据
后台管理表单

这些还是更适合 MySQL、PostgreSQL 这类数据库。

Qdrant 可以存 payload，但不要把它当成传统业务数据库来用。

二十、使用 Qdrant 的常见坑

1. 向量维度不一致

Collection 建的是：

size = 768

你写入的 vector 却是：

size = 1536

肯定会出问题。

向量维度必须和 collection 配置一致。

2. 换了 embedding 模型，旧数据没重建

不同 embedding 模型生成的向量空间不一样。

不要这样做：

旧文章用模型 A 生成向量
新文章用模型 B 生成向量
然后混在一个 collection 里直接搜

这会让相似度结果变得不可靠。

换模型通常意味着：

重新生成向量
新建 collection
迁移数据
重新评估召回效果

3. 只存向量，不存 payload

如果只存向量，查出来你可能只知道：

id = 1001
score = 0.86

但不知道它对应什么文章、什么标题、什么链接。

至少要存：

title
url
source
chunkIndex
category

4. chunk 切得太长或太短

RAG 场景里，文档切片很重要。

太长：

包含太多无关信息，召回不精准

太短：

上下文不足，大模型不好回答

常见做法是：

按段落切
按标题层级切
控制 chunk 长度
保留标题、来源、序号
适当重叠

5. 没做权限过滤

企业知识库里，不同用户能看的文档不一样。

不要只做向量召回，还要根据 payload 过滤：

tenantId
departmentId
userGroup
visibility
permissionLevel

否则可能出现用户搜到了不该看的内容。

6. 生产环境裸奔

Qdrant 本地 quickstart 默认没有认证和加密，官方文档也明确提醒：默认配置下任何能访问你机器的人都可能访问这个 Qdrant 实例，部署前要仔细阅读安全文档。(Qdrant)

生产环境至少要考虑：

不要直接暴露公网
开启 API Key 或认证机制
限制访问来源
放到内网
做好备份
监控磁盘和内存
合理配置资源

二十一、Java 后端项目里怎么用 Qdrant？

一个比较实际的架构是：

Spring Boot API
  ↓
文章 / 商品 / 文档服务
  ↓
Embedding 服务
  ↓
Qdrant

写入流程：

新增文章
  ↓
提取标题和正文
  ↓
切分段落
  ↓
调用 embedding 模型
  ↓
写入 Qdrant points
  ↓
payload 存文章 ID、标题、URL、分类

搜索流程：

用户输入问题
  ↓
调用 embedding 模型生成 query vector
  ↓
Qdrant 搜索相似 points
  ↓
根据 payload 拿到文章信息
  ↓
返回搜索结果或交给大模型生成回答

Java 项目里可以把 Qdrant 当成一个独立基础设施：

MySQL：存文章主数据
Qdrant：存文章向量
Redis：缓存热门搜索
Spring Boot：提供接口
大模型 API：生成 embedding 和回答

二十二、一个简单的站内搜索设计

以 java.li 为例，假设你要做 AI 站内搜索，可以这样设计。

Collection

java_li_articles

Vector

正文 chunk 的 embedding

Payload

{
  "articleId": 1001,
  "title": "Maven 国内镜像配置教程",
  "url": "/archives/FtMJgXo1",
  "category": "Java技术交流",
  "tags": ["Maven", "settings.xml"],
  "chunkIndex": 2,
  "published": true
}

用户搜索

Maven 下载依赖失败怎么解决？

Qdrant 返回

Maven国内镜像配置教程
Maven下载依赖失败怎么处理
Maven依赖冲突怎么排查
No compiler is provided in this environment

这就比普通站内搜索更聪明。

二十三、Qdrant 适合单机还是集群？

学习和小项目：

Docker 单机就够了

个人站、内部工具、小型知识库：

单机 + 持久化 + 备份 + 内网访问

中大型项目：

再考虑集群、分片、副本、监控、快照、资源隔离

不要一开始就把架构搞得很复杂。先把 embedding、写入、检索、过滤、权限这些基本流程跑通，再谈集群。

二十四、Qdrant 和 Spring AI

如果你是 Java / Spring Boot 开发者，可以关注 Spring AI 对向量数据库的支持。Spring AI 参考文档中有 Qdrant VectorStore 章节，并介绍可以用 Qdrant 存储文档 embedding 和执行相似度搜索；文档中也提到 Qdrant 使用 HNSW 进行高效 k-NN 搜索，并提供基于 metadata 的过滤能力。(Home)

这意味着你以后可以这样做：

Spring Boot
  ↓
Spring AI
  ↓
Embedding Model
  ↓
Qdrant VectorStore

如果你只是想自己控制细节，也可以直接用 Qdrant Java Client 或 REST API。

二十五、Qdrant 的优缺点

优点

开源
本地 Docker 启动简单
REST / gRPC 接口清晰
支持多语言客户端
支持 payload 过滤
适合 RAG 和语义搜索
支持 dense、sparse、multivector 等结构
可以做混合检索

需要注意的地方

需要额外的 embedding 模型
向量维度和距离算法要选对
换模型需要重新生成向量
payload 设计很重要
生产环境不能裸奔
大数据量下要考虑索引、内存、磁盘、备份
RAG 效果不只取决于向量库，还取决于切片、embedding、rerank 和提示词

一句话：Qdrant 很适合做向量检索，但它不是“AI 应用一键变聪明”的万能按钮。

二十六、什么时候该用 Qdrant？

如果你的需求是：

我要根据语义找相似内容
我要做 RAG 知识库
我要做智能站内搜索
我要做相似商品推荐
我要做相似图片搜索
我要让 AI 应用从文档里找上下文

那 Qdrant 很值得考虑。

如果你的需求是：

我要做订单系统
我要做用户登录
我要做库存扣减
我要做复杂报表
我要做强事务业务

那先用 MySQL / PostgreSQL，把业务主数据做好。Qdrant 可以作为补充，不要把它当主库。

二十七、常见问题

1. Qdrant 会自动把文本转向量吗？

通常不会。你需要先用 embedding 模型把文本转成向量，再写入 Qdrant。Qdrant 的核心职责是存储和检索向量。

2. Qdrant 能不能替代 MySQL？

不建议。Qdrant 适合向量相似度搜索，MySQL 更适合结构化数据、事务、关系查询和业务主数据存储。

3. Qdrant 适合 Java 项目吗？

适合。Qdrant 有官方 Java Client，也提供 REST 和 gRPC 接口。Java Client 官方仓库说明它要求 Java 8 或以上。(GitHub)

4. Qdrant 和 Elasticsearch 怎么选？

关键词搜索、日志检索、复杂文本检索，可以优先考虑 Elasticsearch。
语义搜索、RAG、相似推荐，可以考虑 Qdrant。
很多 AI 搜索场景可以混合使用。

5. Cosine、Dot、Euclid 该选哪个？

看 embedding 模型建议。文本语义搜索常见选择是 Cosine；推荐系统或部分模型可能使用 Dot；数值距离或聚类场景可能用 Euclid。不要随便换距离算法，因为它会影响相似度结果。

6. 向量维度可以随便设吗？

不可以。Collection 的向量维度必须和 embedding 模型输出维度一致。

7. 为什么搜出来的结果不准？

常见原因：

embedding 模型不适合中文或业务领域
文档切片太粗或太碎
没有做关键词混合检索
没有做 rerank
payload 过滤条件不合理
query 改写不好
文档质量本身不高

向量数据库只是其中一环，不要把所有效果问题都归因到 Qdrant。

二十八、最后总结

Qdrant 可以简单理解成：

一个专门做向量相似度搜索的数据库。

它适合：

RAG 知识库
语义搜索
相似推荐
图片搜索
AI Agent 记忆
站内智能搜索

使用时要记住几个关键点：

先用 embedding 模型生成向量
再把向量和 payload 写入 Qdrant
Collection 决定向量维度和距离算法
Point 是一条向量数据
Payload 用来存元信息和过滤条件
搜索时用 query vector 找 Top-K 相似结果
真实业务里通常要结合 filter、payload index、rerank 和权限控制

对 Java 开发者来说，Qdrant 值得关注。尤其是你已经有 Spring Boot 项目、文档系统、站内搜索或知识库需求时，它可以很自然地接到现有后端服务里。

二十九、相关文章

Spring Boot 接收 JSON 参数：

Spring Boot 接收 JSON 参数

JSON 转 Java 实体类：

JSON转Java实体类完整教程

Spring Boot 与 JDK 兼容：

Maven 依赖冲突：

Java 学习资源导航：

Java 开发环境配置专题：

更新记录

2026-07-29：
- 创建 Qdrant 向量数据库入门文章
- 增加向量、Collection、Point、Payload、Distance、Filter 等概念说明
- 增加 Docker 本地启动示例
- 增加 REST API 创建 Collection、写入 Point、查询和过滤示例
- 增加 Java Client 接入说明
- 增加 RAG、语义搜索、相似推荐、站内搜索等场景说明
- 增加 Qdrant 与 MySQL、Elasticsearch 的区别

此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。原文来自 — 版权归原作者所有。

推荐订阅源

沉迷在 - Java.li - 无法自拔

Qdrant 向量数据库入门

一、先说结论：Qdrant 是干什么的？

二、向量到底是什么？

三、Qdrant 适合哪些场景？

1. RAG 知识库

2. 语义搜索

3. 相似内容推荐

4. 商品和内容推荐

5. 图片相似搜索

6. AI Agent 记忆库

四、Qdrant 的几个核心概念

五、Collection 是什么？

六、Point 是什么？

七、Vector 是什么？

八、Payload 是什么？

九、Distance 是什么？

十、Qdrant 和 Elasticsearch 有什么区别？

十一、Qdrant 和 MySQL 有什么区别？

十二、Qdrant 本地启动

十三、先用 REST API 体验一下

1. 创建 Collection

2. 写入 Points

3. 查询相似内容

4. 带过滤条件查询

十四、Java 项目怎么接入 Qdrant？

1. Maven 依赖

2. 初始化客户端

十五、Qdrant 在 RAG 里的位置

十六、RAG 里怎么设计 payload？

十七、什么时候要建 payload index？

十八、Qdrant 的混合检索

十九、Qdrant 适合放什么，不适合放什么？

适合放进 Qdrant 的内容

不适合只放进 Qdrant 的内容

二十、使用 Qdrant 的常见坑

1. 向量维度不一致

2. 换了 embedding 模型，旧数据没重建

3. 只存向量，不存 payload

4. chunk 切得太长或太短

5. 没做权限过滤

6. 生产环境裸奔

二十一、Java 后端项目里怎么用 Qdrant？

二十二、一个简单的站内搜索设计

Collection

Vector

Payload

用户搜索

Qdrant 返回

二十三、Qdrant 适合单机还是集群？

二十四、Qdrant 和 Spring AI

二十五、Qdrant 的优缺点

优点

需要注意的地方

二十六、什么时候该用 Qdrant？

二十七、常见问题

1. Qdrant 会自动把文本转向量吗？

2. Qdrant 能不能替代 MySQL？

3. Qdrant 适合 Java 项目吗？

4. Qdrant 和 Elasticsearch 怎么选？

5. Cosine、Dot、Euclid 该选哪个？

6. 向量维度可以随便设吗？

7. 为什么搜出来的结果不准？

二十八、最后总结

二十九、相关文章

更新记录