Managed Data Services
Qdrant är en vektordatabas byggd specifikt för att lagra och söka i embeddings – de numeriska representationer av text, bilder eller annan data som används i AI- och sökapplikationer. Tjänsten erbjuder en hanterad molnlösning där man slipper drifta infrastrukturen själv. Den fria nivån ger en enskild klusternod att testa och bygga mindre applikationer på.
Besök QdrantQdrant är en öppen källkods-databas specialiserad på vektorsökning - lagring och sökning bland högdimensionella embedding-vektorer som representerar text, bilder eller annan data i numerisk form. Den används framför allt i AI-applikationer: semantisk sökning, rekommendationssystem och retrieval-augmented generation (RAG), där man behöver hitta de mest "lika" objekten till en given fråga snarare än exakta träffar. Qdrant exponerar REST- och gRPC-API:er och kan användas både som självhostad öppen källkod och som hanterad molntjänst. Den hanterade gratisnivån ger ett enda kluster med 0,5 vCPU, 1 GB RAM och 4 GB disk - tillräckligt för att testa och bygga mindre prototyper men inte för produktionsskala embedding-lagring. Qdrant riktar sig till utvecklare som bygger AI-funktioner ovanpå stora språkmodeller och behöver ett ställe att lagra och söka i embeddings som genererats av en LLM eller embedding-modell.
En enskild nod med 0,5 vCPU, 1 GB RAM och 4 GB disk – tillräckligt för utveckling, mindre projekt och att verifiera att Qdrant passar arkitekturen, men inte dimensionerat för produktionstrafik i större skala.
Hämta relevanta dokumentutdrag baserat på semantisk likhet innan de skickas till en språkmodell i en retrieval-augmented generation-arkitektur.
Sökning i dokumentation, supportartiklar eller produktkataloger där ren sökordsmatchning inte räcker.
Hitta liknande innehåll eller användarprofiler baserat på likhet i embedding-rymden.
Sökning bland bilder, ljud eller annan data representerad som embeddings.
Testa och bygga proof-of-concepts för AI-funktioner innan man investerar i en produktionsskalad lösning.
I den här katalogens kategori för hanterade datatjänster är Qdrant den enda renodlade vektordatabasen - övriga verktyg som Neon (Postgres) eller MongoDB Atlas (dokumentdatabas) löser ett annat problem: strukturerad lagring och exakta frågor, inte likhetssökning bland embeddings. I praktiken kompletterar Qdrant därför snarare än ersätter en vanlig applikationsdatabas i en AI-arkitektur - många team använder båda samtidigt.
Den hanterade gratisnivån ger ett litet kluster (0,5 vCPU/1GB RAM/4GB disk); källan anger inte om detta är en permanent gratisnivå eller en tidsbegränsad testperiod - kontrollera aktuella villkor hos Qdrant.
Ja, Qdrant är öppen källkod och kan köras i egen infrastruktur; den beskrivna gratisnivån gäller specifikt den hanterade molntjänsten.
Qdrant är byggd för att hitta de mest lika vektorerna till en sökfråga (approximativ närmaste-granne-sökning), medan traditionella databaser som Postgres är optimerade för exakta matchningar och strukturerade frågor.
Utvecklare som bygger AI- eller LLM-drivna funktioner - till exempel semantisk sökning eller RAG - och behöver lagra och söka i embeddings.
Med endast 0,5 vCPU, 1 GB RAM och 4 GB disk är gratisnivån i första hand avsedd för utveckling och mindre prototyper, inte för produktionstrafik i större skala.
SIAX perspektiv
Qdrant är ett naturligt förstahandsval när man bygger AI-produkter med sökbara embeddings, exempelvis RAG-lösningar ovanpå en dataplattform. Gratisnoden är för liten för produktion – planera för att den behöver skalas eller flyttas till en betald nod innan lansering. Som open source-projekt kan Qdrant även köras helt i egen infrastruktur, vilket är relevant om datalagring inom EU eller undvikande av vendor lock-in är ett krav.
Osäker på vad ni behöver?
Ett kostnadsfritt första samtal - vi går igenom er stack och vad som faktiskt behövs innan ni betalar för något.
Boka samtal
