RAG 的向量存在哪？Qdrant：高性能向量数据库

GitHub 仓库

qdrant/qdrant

总 Stars

★ 35,247

主要语言

Rust

查看 GitHub 项目

结论先说

Qdrant 是面向下一代 AI 的高性能大规模向量数据库与检索引擎：存向量、做相似检索、支撑 RAG 场景。GitHub 总 star 35247（2026-10-26 核验，Rust、Apache-2.0，最近更新 2026-10-23）。本篇是编辑精选，不是当日榜单项目。

是什么

它把文本、图片等内容变成向量后存起来：查询时按相似度召回最相关的片段，交给大模型当上下文，解决“模型不知道你家文档”的问题。

能干嘛

• 企业知识库、文档问答的检索层
• 语义搜索、推荐、去重类场景
• 和 LangChain 这类框架对接，快速搭 RAG 原型

适合谁

• 要做知识库问答、文档检索的开发者
• 向量规模上到百万级、需要稳定检索性能的团队

注意点

单机够用、集群运维成本陡增：先别急着上集群，单机跑通、量上去了再考虑扩展。另外向量质量取决于 embedding 模型选型，库本身不解决“ embed 得好不好”的问题。

问：Qdrant 和 mem0 有什么区别？

层级不同：Qdrant 是向量数据库，管存储与检索；mem0 是记忆层，管“记住什么、怎么提取记忆”。本站之前介绍过 mem0，两篇对照着看，就能分清记忆、检索、数据库各管什么。

站长点评

RAG 落地最容易踩的坑，是把“存向量”等同于“做好了检索”：召回质量、切分策略、embedding 选型，每一步都影响最终效果。库选对只是第一步。

项目地址：https://github.com/qdrant/qdrant