Векторная БД Qdrant на VPS: полный старт

Qdrant — быстрая векторная база на Rust, которую любят за простоту и производительность. Поднимем её на VPS, настроим коллекцию, закроем API-ключом и организуем бэкапы.

Зачем нужна векторная БД

Обычная БД ищет по точному совпадению, векторная — по смысловой близости. Вы храните эмбеддинги (числовые представления текста, картинок, кода) и ищете ближайшие по косинусному расстоянию. Это фундамент семантического поиска, RAG, рекомендаций и антифрод-систем.

Qdrant выделяется среди аналогов: написан на Rust, ест мало памяти, умеет фильтрацию по метаданным и квантование векторов. Для self-hosted развёртывания на VPS это один из лучших вариантов.

Отдельно стоит отметить фильтрацию по payload. К каждому вектору вы прикрепляете метаданные — категорию, дату, автора, права доступа — и при поиске отсекаете лишнее прямо в базе. Например, ищете похожие документы, но только за последний месяц и только те, что доступны конкретному пользователю. Это превращает Qdrant из простого поиска по векторам в полноценный движок для приложений.

Установка в Docker

Проще всего запустить официальный образ. Обязательно монтируем volume, иначе данные исчезнут при пересоздании контейнера.

apt update && apt install -y docker.io
mkdir -p /opt/qdrant/storage
docker run -d --name qdrant --restart unless-stopped \
  -p 6333:6333 -p 6334:6334 \
  -v /opt/qdrant/storage:/qdrant/storage \
  qdrant/qdrant

Порт 6333 — REST и веб-дашборд, 6334 — gRPC (быстрее для больших нагрузок). Проверяем:

curl http://localhost:6333/healthz

Закрываем доступ API-ключом

По умолчанию Qdrant открыт всем, кто дотянется до порта. На публичном сервере это дыра. Задаём ключ через переменную окружения и не публикуем порт наружу без нужды.

docker run -d --name qdrant --restart unless-stopped \
  -e QDRANT__SERVICE__API_KEY=ВАШ_ДЛИННЫЙ_КЛЮЧ \
  -p 127.0.0.1:6333:6333 \
  -v /opt/qdrant/storage:/qdrant/storage qdrant/qdrant

Привязка к 127.0.0.1 означает, что порт виден только с самого сервера. Приложение ходит в базу локально, а снаружи ничего не торчит. Если доступ нужен извне — пускайте через nginx с TLS.

Создаём коллекцию

Коллекция задаёт размерность векторов и метрику. Для модели multilingual-e5-base размерность 768, метрика Cosine.

curl -X PUT http://localhost:6333/collections/kb \
  -H "api-key: ВАШ_КЛЮЧ" -H "Content-Type: application/json" \
  -d '{"vectors": {"size": 768, "distance": "Cosine"}}'

Qdrant по умолчанию строит HNSW-индекс — он даёт быстрый приближённый поиск. Параметры m и ef_construct можно тюнить: больше значения — точнее поиск, но выше RAM и время индексации.

Добавлять данные удобно через upsert — точки с id, вектором и payload. Если id уже существует, точка обновится, если нет — создастся. Это позволяет обновлять базу инкрементально, не пересоздавая коллекцию:

curl -X PUT http://localhost:6333/collections/kb/points \
  -H "api-key: ВАШ_КЛЮЧ" -H "Content-Type: application/json" \
  -d '{"points": [{"id": 1, "vector": [0.1, 0.2],
       "payload": {"src": "faq.md"}}]}'

Поиск с фильтром по payload выглядит так же просто — вы передаёте условие рядом с вектором запроса, и Qdrant отдаёт только подходящие точки, отсортированные по близости.

Ресурсы и производительность

Оценить память просто: число векторов × размерность × 4 байта плюс накладные на HNSW (примерно ×1.5). Миллион 768-мерных векторов — около 4–5 ГБ RAM. Квантование (scalar/binary) режёт это в несколько раз.

Скорость поиска критично зависит от диска и CPU. На AMD EPYC + NVMe у MAATRIX HNSW-обход идёт по памяти, а подгрузка сегментов с NVMe не тормозит — латентность запроса остаётся в единицах миллисекунд.

• До 500k векторов — 2 vCPU / 4 ГБ
• 1–3 млн — 4 vCPU / 8–16 ГБ
• Больше — включайте квантование и шардирование

Бэкапы коллекций

Qdrant умеет снапшоты. Делаем снапшот коллекции и складываем в надёжное место:

curl -X POST http://localhost:6333/collections/kb/snapshots \
  -H "api-key: ВАШ_КЛЮЧ"

Файлы лежат в /opt/qdrant/storage/snapshots. Их подхватывают ежедневные бэкапы MAATRIX, поэтому даже при полном сбое диска коллекцию можно восстановить.

Частые вопросы