[{"data":1,"prerenderedAt":86},["ShallowReactive",2],{"seo-verification":3,"marketplace-app-fr-qdrant":6},{"google":4,"bing":5},"EycwPY2XMyTkVzas3n1ygeNJFGAH513qrMjfDljzsMQ","",{"key":7,"data":8},"marketplace-app-fr-qdrant",{"slug":9,"slugs":10,"categorySlugs":11,"name":16,"description":17,"phase":18,"unavailableReason":19,"docsUrl":20,"logo":21,"github":22,"tagline":23,"longDescription":24,"features":25,"useCases":32,"steps":42,"faq":61,"specs":19,"compatibleOs":77,"relatedApps":79,"relatedPosts":80,"category":81},"qdrant",{"fr":9,"en":9,"ar":9,"es":9},{"fr":12,"en":13,"ar":14,"es":15},"ia","artificial-intelligence","الذكاء-الاصطناعي","inteligencia-artificial","Qdrant","Self-hosted vector database for semantic search and RAG. Store, index and query high-dimensional embeddings with HNSW indexing — the missing infrastructure layer for your LLM stack.",1,null,"https:\u002F\u002Fservorbit.com\u002Fblog\u002Fheberger-qdrant-vps","https:\u002F\u002Fcdn.jsdelivr.net\u002Fgh\u002Fselfhst\u002Ficons\u002Fsvg\u002Fqdrant.svg","https:\u002F\u002Fgithub.com\u002Fqdrant\u002Fqdrant","Self-hosted vector database for semantic search and RAG — the missing infrastructure layer for your LLM stack.","Qdrant is an open-source, high-performance vector database written in Rust. It stores vector embeddings — the numerical representations produced by LLMs and embedding models — and retrieves the most similar ones in milliseconds, even across hundreds of millions of vectors.\n\nDeployed on a ServOrbit VPS, Qdrant becomes the memory layer of your AI stack: pair it with Ollama for local inference, LiteLLM for a unified API gateway, and your own application code to build production-grade RAG pipelines, semantic search engines, recommendation systems or AI chatbots that actually remember context — all on infrastructure you control, at a fixed monthly cost.",[26,27,28,29,30,31],"Recherche du plus proche voisin approximatif par index HNSW, sur des collections de plusieurs millions de vecteurs.","Filtres sur les charges utiles — combinez similarité vectorielle et critères structurés (catégorie, date, score) dans une seule requête.","Indexation HNSW et quantification scalaire ou par produit, pour garder des recherches rapides sur un budget mémoire réduit.","Collections et vecteurs nommés — plusieurs types d'embedding par document au sein d'une même collection.","API REST et gRPC — connecteurs natifs pour LangChain, LlamaIndex et Haystack, SDK officiels en Python, TypeScript, Go et Rust.","Licence Apache 2.0 — code entièrement auditable, aucune télémétrie, fonctionnement possible sur une machine isolée du réseau.",[33,36,39],{"title":34,"body":35},"RAG pipeline memory","Index your documentation, knowledge base or product catalogue as embeddings and retrieve the most relevant chunks before each LLM call. Pair with Ollama on the same VPS for a fully air-gapped, zero-per-token RAG stack.",{"title":37,"body":38},"Semantic search","Replace keyword search with meaning-based retrieval. A query for 'fast payment processing' surfaces results about 'instant transactions' even when those exact words never appear — because Qdrant compares intent, not tokens.",{"title":40,"body":41},"Recommendation engine","Represent products, articles or users as embedding vectors and find the nearest neighbours. 'Users who liked this' and 'similar products' become a single nearest-neighbour query with optional payload filters for price or category.",[43,46,49,52,55,58],{"title":44,"body":45},"Commander un VPS ServOrbit","Prévoyez au moins 2 Go de RAM : Qdrant lui-même se contente de 100 à 200 Mo au repos, le reste sert de marge pour votre index et pour les services que vous hébergez à côté. Le dimensionnement réel dépend du nombre et de la dimension de vos vecteurs. La machine est livrée sous Ubuntu 24.04 avec Docker déjà installé.",{"title":47,"body":48},"Déployer depuis le Marketplace","Dans votre espace client ServOrbit : Marketplace → Intelligence Artificielle → Qdrant → Déployer. L'image `qdrant\u002Fqdrant:latest` démarre en quelques secondes. L'API REST répond sur le port 6333 ; l'API gRPC écoute sur le port 6334, restreint à `127.0.0.1`, donc accessible depuis le VPS lui-même ou via un tunnel SSH. Le volume `qdrant_storage` monté sur `\u002Fqdrant\u002Fstorage` conserve les collections et les index.",{"title":50,"body":51},"Se connecter la première fois","Il n'y a aucun identifiant à vous transmettre : cette installation de Qdrant tourne SANS authentification. Toute personne capable d'atteindre son adresse peut lire, modifier et supprimer vos collections, et le tableau de bord `\u002Fdashboard` est ouvert. C'est pourquoi elle n'a pas d'adresse publique : le port reste lié à `127.0.0.1` et aucun domaine ne peut lui être attaché.",{"title":53,"body":54},"Créer une collection et indexer vos vecteurs","Créez une collection dont la dimension correspond à votre modèle d'embedding — par exemple 1536 pour `text-embedding-3-small` d'OpenAI, ou 1024 pour `mxbai-embed-large` servi par Ollama : `curl -X PUT http:\u002F\u002F127.0.0.1:6333\u002Fcollections\u002Fmy_docs -H 'Content-Type: application\u002Fjson' -d '{\"vectors\":{\"size\":1536,\"distance\":\"Cosine\"}}'`. C'est l'adresse à viser depuis le VPS lui-même, là où tourne d'ordinaire l'application qui interroge la base. Depuis votre poste, ouvrez un tunnel SSH — `ssh -L 6333:127.0.0.1:6333 root@\u003Cip-du-vps>`, en remplaçant 6333 par le port indiqué sur la fiche de votre app dans l'espace client — puis visez `http:\u002F\u002Flocalhost:6333`. Envoyez ensuite vos embeddings par l'API REST ou par le SDK de votre choix.",{"title":56,"body":57},"Interroger depuis votre application","Installez le client Qdrant (`pip install qdrant-client` ou `npm install @qdrant\u002Fjs-client-rest`), transmettez l'embedding de la question de l'utilisateur et récupérez les k passages les plus proches. Ces passages sont ensuite fournis en contexte à votre modèle de langage, qui répond en s'appuyant sur vos documents plutôt que sur ses seules connaissances internes.",{"title":59,"body":60},"Sécuriser l'instance","Définissez une clé d'API via la variable d'environnement `QDRANT__SERVICE__API_KEY` en redémarrant le conteneur : c'est la seule protection qui tienne, une base vectorielle ouverte laissant lire et modifier l'intégralité de vos collections. Tant que la recette du catalogue n'en pose pas, l'installation reste sans adresse publique — c'est ce qui la protège aujourd'hui. La clé posée, elle pourra être publiée derrière un domaine, avec le vhost nginx et le certificat TLS que ServOrbit installe.",[62,65,68,71,74],{"q":63,"a":64},"What is a vector database and why do I need one for RAG?","A vector database stores embeddings — the numerical representations produced by LLMs and embedding models. RAG (Retrieval-Augmented Generation) works by retrieving the document chunks most similar to a user's question before calling the LLM. A vector database like Qdrant does that retrieval in milliseconds across millions of chunks, which a relational database or full-text index cannot match.",{"q":66,"a":67},"How much RAM does Qdrant need?","Qdrant itself idles around 100–200 MB. The practical limit is your index size: 1 million 1536-dimensional float32 vectors take about 6 GB unquantised. With scalar quantisation (int8) that drops to ~1.5 GB. A 4 GB VPS is comfortable for most small-to-medium projects.",{"q":69,"a":70},"Which embedding models and frameworks work with Qdrant?","Any model that produces fixed-size float vectors works. Popular choices self-hosted via Ollama: `mxbai-embed-large` (1024 dims), `nomic-embed-text` (768 dims). Via API: OpenAI `text-embedding-3-small` (1536 dims), Cohere Embed. Frameworks with native connectors: LangChain, LlamaIndex, Haystack, semantic-kernel, and the official Python\u002FTypeScript\u002FGo\u002FRust SDKs.",{"q":72,"a":73},"Is Qdrant a good alternative to Pinecone or Weaviate?","Qdrant competes directly with Pinecone (managed) and Weaviate (OSS). Qdrant's advantages: written in Rust for lower memory overhead, the best payload-filter + vector-search combination in benchmarks, and Apache 2.0 licence with no phoning home. Trade-off: you manage the infrastructure yourself, which is exactly what a ServOrbit VPS gives you.",{"q":75,"a":76},"Can I run Qdrant alongside Ollama on the same VPS?","Yes. Both are single-container deployments with no port conflict (Ollama on 11434, Qdrant on 6333\u002F6334). A 4 GB RAM VPS comfortably hosts both with a 7B Q4 model loaded. This is the recommended starting point for a fully self-contained, air-gapped RAG stack.",[78],"ubuntu-24.04",[],[],{"key":12,"slug":12,"name":82,"objective":83,"icon":84,"color":85},"Intelligence Artificielle","Créer, héberger et exploiter des solutions IA.","ai","text-purple-400 bg-purple-500\u002F10",1793820319711]