Qdrant / Weaviate 实战

摘要：本文面向要在自托管场景落地向量库的工程师，对比两款主流开源向量数据库——Rust 写的 Qdrant（重性能/过滤）与 Go 写的 Weaviate（重模块化 AI 管线/混合检索）。给出两者可复制的 Docker 部署、量化压缩、遍历期过滤、混合检索、快照备份与多租户配置，并标出版本相关与未实测项。覆盖版本：Qdrant 1.11+、Weaviate 1.25/1.26。注意各参数随版本变化，以官方文档为准（访问日期 2026-10-09）。

核心概念：两条不同的设计路线

维度	Qdrant	Weaviate
语言	Rust（SIMD + Gridstore）	Go
过滤模型	遍历期过滤（traversal-time）	预过滤 / 异步索引
模块化 AI	无内置 vectorizer，embedding 自管	内置 text2vec/generative/qna 模块
量化	标量/乘积/二进制（最高 ~64x）	标量/乘积（PQ/BCQ，版本相关）
多租户	集合/分片	原生 multi-tenancy（v1.23+）
索引	HNSW（默认）	HNSW / Flat / Dynamic / HFresh

一句话选型

要极致性能 + 复杂过滤选 Qdrant；要数据库内做 embedding/rerank/生成选 Weaviate。Qdrant 把过滤做在 HNSW 遍历中，避免「先召回后过滤」的召回损失（来源：qdrant.tech、aicoolies Qdrant 评测，访问 2026-10-09）。

架构与原理

Qdrant 的关键区别：过滤发生在图遍历过程内，候选在相似度比较前已被 payload 条件收窄；Weaviate 的卖点是把 embedding、rerank、生成作为模块织进查询路径，省掉独立微服务。

生产实践一：Qdrant 部署 + 量化

# 单节点（钉版本，勿用 latest）[版本相关]
docker run -d --name qdrant -p 6333:6333 -p 6334:6334 \
  -v qdrant_storage:/qdrant/storage \
  qdrant/qdrant:v1.11.3

带二进制量化（内存 ~1/16，厂商口径 [未实测]）建集合：

# pip install qdrant-client
from qdrant_client import QdrantClient
from qdrant_client.http.models import (
    Distance, VectorParams, BinaryQuantization, QuantizationConfig, HnswConfigDiff,
)
client = QdrantClient("localhost", port=6333)

client.create_collection(
    collection_name="kb_v1",
    vectors_config=VectorParams(size=768, distance=Distance.COSINE),
    quantization_config=QuantizationConfig(
        binary=BinaryQuantization(always_ram=True)   # 量化向量常驻 RAM 保低延迟
    ),
    hnsw_config=HnswConfigDiff(m=16, ef_construct=200, full_scan_threshold=10000),
)

遍历期过滤 + 检索（hnsw_ef 即查询期候选宽度）：

from qdrant_client.http.models import Filter, FieldCondition, MatchValue

client.upsert("kb_v1", points=[/* PointStruct(id, vector, payload) */])
hits = client.search(
    collection_name="kb_v1",
    query_vector=query_vec,
    limit=10,
    search_params={"hnsw_ef": 128},          # 查询期可调，召回↔延迟
    query_filter=Filter(must=[FieldCondition(key="tenant", match=MatchValue(value="t-001"))]),
)

二进制量化依赖归一化

Qdrant 二进制量化对已归一化向量表现最好（OpenAI text-embedding-3 系列已归一化）；未归一化 embedding 需先归一化，否则召回下降。量化后用全精度向量做 rescore 可回补精度（来源：qdrant DeepWiki 量化章节、johal war story，访问 2026-10-09）。换 embedding 模型后必须重新量化。

生产实践二：Weaviate 部署 + 混合检索

# 关匿名访问、开持久化、多架构镜像 [版本相关]
docker run -d --name weaviate \
  -p 8080:8080 -p 50051:50051 \
  -e QUERY_DEFAULTS_LIMIT=25 \
  -e AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED='false' \
  -e PERSISTENCE_DATA_PATH=/var/lib/weaviate \
  -e DEFAULT_VECTORIZER_MODULE=none \
  -e CLUSTER_HOSTNAME=node1 \
  -v weaviate_data:/var/lib/weaviate \
  semitechnologies/weaviate:1.25.4

Python v4 客户端建类 + HNSW + 混合检索（BM25 + vector，alpha 混合）：

# pip install weaviate-client
import weaviate
from weaviate.classes.config import Configure, DataType, Property

client = weaviate.connect_to_local()   # 单客户端实例复用，勿每请求新建（见故障排查）
if not client.collections.exists("DevDoc"):
    client.collections.create(
        name="DevDoc",
        vectorizer_config=Configure.Vectorizer.none(),   # 自带 embedding 时关闭内置
        properties=[Property(name="title", data_type=DataType.TEXT)],
        vector_index_config=Configure.VectorIndex.hnsw(distance_metric="cosine"),
    )

# 混合检索：alpha=0.5 表示 vector/BM25 各半
coll = client.collections.get("DevDoc")
resp = coll.query.hybrid(
    query="how to authenticate API",
    alpha=0.5,
    limit=10,
    filters=coll.filter.by_property("tenant") == "t-001",  # 租户隔离
)

Weaviate 索引族选择

Weaviate 不止 HNSW：Flat（小租户省内存）、Dynamic（v1.25+ 实验，先 Flat 超阈值自动升 HNSW，默认 1 万对象，单向不可降级）、HFresh（大内存受限场景，centroid 驻内存、posting 1-bit 量化落盘）。多租户 SaaS 优先 Dynamic 避免给空租户预建全图（来源：datastudios Weaviate 架构，访问 2026-10-09，版本相关）。

验证

# Qdrant
curl -s http://localhost:6333/health
curl -s http://localhost:6333/collections/kb_v1
# Weaviate
curl -s http://localhost:8080/v1/.well-known/ready
curl -s http://localhost:8080/v1/meta   # 期望返回 {"version":"1.25.4"}

# Qdrant 验证过滤有效性：用越权 tenant 查询应无结果
hits_bad = client.search("kb_v1", query_vector=query_vec,
                         query_filter=Filter(must=[FieldCondition(key="tenant", match=MatchValue(value="other")])))
assert len(hits_bad) == 0, "租户隔离失效！"

回滚与清理

重建集合/类 = 数据丢失

改向量维度、换量化类型、改索引结构都需重建集合。先快照（见下），再新建 kb_v2 双写，确认无问题切读。Qdrant 单节点恢复快照须 --force-snapshot（见 ops.md）。

# Qdrant 清理（不可逆）
# docker exec qdrant qdrant-client 或 REST DELETE /collections/kb_v1

故障排查

• Weaviate UNAVAILABLE 频发：Python v4 客户端每请求 connect_to_custom 新建 gRPC channel，耗尽 HTTP/2 并发流（默认每连接 100）→ 客户端进程级单例复用（来源：markaicode Weaviate Docker stack，访问 2026-10-09）。这是客户端集成错，不是容量上限。
• ARM64 exec format 错误：拉了 amd64-only 镜像 → 用 cr.weaviate.io/semitechnologies/weaviate:<tag> 多架构标签，目标架构先测。
• 首跑权限错误：bind mount 目录属主为 root 而容器非 root UID → 改用 named volume 避免属主冲突。
• Qdrant 召回掉：换 embedding 模型未重量化 → CI 校验模型变更须同步量化配置。
• 过滤后无结果：payload 字段名/类型不匹配 → 检查 filter key 与写入 payload 一致。

安全与合规

• 关匿名访问：Weaviate 生产 AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED=false 并配 API key / OIDC；Qdrant 配 API key 或 mTLS。
• 租户隔离：两类库都必须在查询层带租户过滤/命名空间，语义召回不等同鉴权。
• 数据驻留：自托管让数据留在自有基础设施，满足强合规；备份落 S3 须加密与访问收敛（见 ops.md）。
• 多租户：Weaviate 原生 multi-tenancy 适合 SaaS；Qdrant 用集合/分片隔离，配合 RBAC。

成本与性能

量级参考，非实测。

• Qdrant 内存：二进制量化厂商称最高 ~64x 压缩、标量 ~4x、乘积居中；rescore 用全精度回算保精度（来源：qdrant.tech、DeepWiki，访问 2026-10-09）。实测请以你数据为准。
• Weaviate 成本：模块（embedding/生成）拉高算力，单节点成本通常高于 Qdrant；换来少搭一个服务（来源：echoesofthemachine，访问 2026-10-09）。
• 延迟：Qdrant 量化向量常驻 RAM 时检索常 < 20ms（示例口径）；Weaviate 混合检索 alpha 调优影响延迟与质量。
• GPU：两者主要靠 CPU 检索；embedding 推理侧可选 GPU。

参考资料

• Qdrant 官方站点
• Qdrant releases v1.11.3
• Qdrant Vector Quantization (DeepWiki)
• Weaviate 文档
• Weaviate Docker Stack (Markaicode)
• Weaviate Hybrid Search & Index Architecture (datastudios)
• Qdrant Review (aicoolies)