Base de datos vectorial en Rust para búsqueda semántica, RAG e híbrida a escala
Qdrant documenta en qdrant.tech/documentation un motor de búsqueda vectorial para almacenar, indexar y consultar vectores de alta dimensión con payloads opcionales (densos, dispersos y multi-vector). Cubre Docker/Kubernetes, Qdrant Cloud, Hybrid/Private Cloud y Qdrant Edge. Clientes oficiales: Python, JS/TS, Rust, Go, Java y .NET vía REST/gRPC.
Casos de uso
- RAG en producción con filtros de metadatos
- Recomendaciones a gran escala
- Memoria de agentes con MCP oficial
- Retrieval edge con Qdrant Edge
- Migración desde prototipos Chroma/Pinecone
Funciones principales
- Colecciones, puntos, payloads e índice HNSW
- Recuperación híbrida densa-dispersa y filtrado
- Cuantización y almacenamiento on-disk
- Cloud Inference para embeddings
- Escalado horizontal y cloud gestionado
Relacionados
Relacionados
3 Entradas indexadas
Milvus
Milvus documenta en milvus.io/docs una base vectorial de alto rendimiento con filtrado de metadatos e híbrida. Modos: Milvus Lite, Standalone (Docker) y Distributed (Kubernetes). SDKs: PyMilvus, Go, Java, Node.js; Zilliz Cloud gestionado. Arquitectura desacoplada con object storage (MinIO, S3, Azure).
Pinecone
Pinecone documenta en docs.pinecone.io una base vectorial gestionada para embeddings a escala. Índices serverless con esquemas de documentos que mezclan vectores densos, sparse y FTS con filtrado de metadatos. SDKs Python, Node.js, Java, Go; API REST con límites por plan. Productos: Assistant, Dedicated Read Nodes, BYOC, Nexus; integraciones MCP en pinecone.io.
Weaviate
Weaviate documenta en docs.weaviate.io/weaviate una base vectorial open source para objetos y embeddings con búsqueda semántica, keyword e híbrida, RAG y agentes. Incluye Docker/Kubernetes, Weaviate Cloud, Query Agent y Embeddings gestionados. Clientes: Python (weaviate-client v4, Weaviate 1.23.7+), TypeScript, Go, Java vía REST/gRPC/GraphQL.