¿Cuánta RAM necesita Qdrant?

Qdrant ocupa entre 100 y 200 MB en reposo. La verdadera restricción viene del tamaño del índice: un millón de vectores de dimensión 1536 en float32 pesan unos 6 GB sin cuantificación, y bajan a alrededor de 1,5 GB con una cuantificación escalar en int8. Un VPS de 4 GB resulta cómodo para la mayoría de los proyectos de tamaño pequeño a mediano.

¿Es Qdrant una buena alternativa a Pinecone o Weaviate?

Qdrant compite directamente con Pinecone (servicio gestionado) y con Weaviate (código abierto). Sus ventajas: una escritura en Rust que limita la sobrecarga de memoria, una combinación de filtros estructurados y búsqueda vectorial especialmente eficaz, y una licencia Apache 2.0 sin envío de datos al exterior. La contrapartida es que usted mismo explota la infraestructura — que es precisamente lo que un VPS ServOrbit le permite hacer.

¿Se pueden ejecutar Qdrant y Ollama en el mismo VPS?

Sí. Son dos despliegues de contenedor único, sin conflicto de puertos (Ollama en 11434, Qdrant en 6333 y 6334). Un VPS de 4 GB de RAM aloja cómodamente ambos con un modelo de 7000 millones de parámetros cuantificado en Q4. Es el punto de partida recomendado para una cadena RAG totalmente autónoma, sin dependencia de ningún servicio externo.

Crear, alojar y operar soluciones de IA.

Qdrant

Base de datos vectorial autoalojada para la búsqueda semántica y el RAG: indexe y consulte sus embeddings en unos milisegundos, en su VPS.

2 GB RAM 1 vCPU Puerto 6333 Disponible

Código fuente

Stack técnico

DockerRust

RAM mínima2 GB

CPU mínima1 vCPU

Puerto por defecto6333

SO compatiblesubuntu-24.04

Qdrant es una base de datos vectorial de código abierto escrita en Rust, diseñada para la búsqueda de similitud a gran escala. Almacena embeddings —las representaciones numéricas que producen los modelos de lenguaje y los modelos de embedding— y recupera los más cercanos en unos milisegundos, incluso en colecciones de varios cientos de millones de vectores. La indexación HNSW, combinada con la cuantificación escalar o por producto, permite mantener tiempos de respuesta cortos con un presupuesto de memoria contenido.

Desplegado en un VPS ServOrbit, Qdrant se convierte en la capa de memoria de su pila de IA: combínelo con Ollama para la inferencia local, con LiteLLM como pasarela de API unificada y con su propio código de aplicación para construir cadenas RAG, un motor de búsqueda semántica, un sistema de recomendación o un agente conversacional que conserva el contexto. Todo permanece en una infraestructura que usted controla. Las API REST y gRPC están cubiertas por conectores nativos en los principales marcos de desarrollo para LLM —LangChain, LlamaIndex, Haystack— y por SDK oficiales en Python, TypeScript, Go y Rust. El proyecto se publica bajo licencia Apache 2.0, es totalmente auditable, no tiene telemetría y funciona en una máquina desconectada de Internet.

Funcionalidades clave

Búsqueda aproximada del vecino más cercano mediante índice HNSW, en colecciones de varios millones de vectores.

Filtros sobre las cargas útiles — combine la similitud vectorial con criterios estructurados (categoría, fecha, puntuación) en una sola consulta.

Indexación HNSW y cuantificación escalar o por producto, para mantener búsquedas rápidas con un presupuesto de memoria reducido.

Colecciones y vectores con nombre — varios tipos de embedding por documento dentro de una misma colección.

API REST y gRPC — conectores nativos para LangChain, LlamaIndex y Haystack, SDK oficiales en Python, TypeScript, Go y Rust.

Licencia Apache 2.0 — código totalmente auditable, sin telemetría, funcionamiento posible en una máquina aislada de la red.

¿Cuándo usar esta solución?

1

Memoria de una cadena RAG

Indexe su documentación, su base de conocimiento o su catálogo de productos en forma de embeddings, y recupere los pasajes más pertinentes antes de cada llamada al modelo de lenguaje. Combinada con Ollama en el mismo VPS, la cadena se vuelve totalmente local: ningún contenido sale del servidor y no se acumula ningún coste por token.

2

Búsqueda semántica

Sustituya la búsqueda por palabras clave por una búsqueda basada en el significado. Una consulta «procesamiento de pagos rápido» hace aparecer documentos que hablan de «transacciones instantáneas», aunque esas palabras exactas no figuren en ellos: Qdrant compara intenciones, no cadenas de caracteres.

3

Motor de recomendación

Represente productos, artículos o usuarios mediante vectores y busque sus vecinos más cercanos. «Los clientes a los que les gustó esto» y «productos similares» se reducen a una sola consulta de similitud, a la que puede añadir, si lo necesita, un filtro por precio o por categoría.

Desplegar Qdrant en su VPS

Guía optimizada para los VPS Cloud ServOrbit.

01

Pedir un VPS ServOrbit

Prevea al menos 2 GB de RAM: Qdrant en sí se conforma con 100 a 200 MB en reposo, y el resto sirve de margen para su índice y para los servicios que aloje junto a él. El dimensionamiento real depende del número y de la dimensión de sus vectores. La máquina se entrega con Ubuntu 24.04 y Docker ya instalado.

02

Desplegar desde el Marketplace

En su área de cliente ServOrbit: Marketplace → Inteligencia Artificial → Qdrant → Desplegar. La imagen qdrant/qdrant:latest arranca en unos segundos. La API REST responde en el puerto 6333; la API gRPC escucha en el puerto 6334, restringido a 127.0.0.1, por lo que es accesible desde el propio VPS o a través de un túnel SSH. El volumen qdrant_storage montado en /qdrant/storage conserva las colecciones y los índices.

03

Conectarse por primera vez

No hay ninguna credencial que entregarle: esta instalación de Qdrant funciona SIN autenticación. Cualquier persona capaz de alcanzar su dirección puede leer, modificar y eliminar sus colecciones, y el panel /dashboard está abierto. Por eso no tiene ninguna dirección pública: el puerto permanece ligado a 127.0.0.1 y no se le puede asociar ningún dominio.

04

Crear una colección e indexar sus vectores

Cree una colección cuya dimensión corresponda a su modelo de embedding — por ejemplo 1536 para text-embedding-3-small de OpenAI, o 1024 para mxbai-embed-large servido por Ollama: curl -X PUT http://127.0.0.1:6333/collections/my_docs -H 'Content-Type: application/json' -d '{"vectors":{"size":1536,"distance":"Cosine"}}'. Esa es la dirección a la que apuntar desde el propio VPS, donde suele ejecutarse la aplicación que consulta la base. Desde su equipo, abra un túnel SSH — ssh -L 6333:127.0.0.1:6333 root@<ip-del-vps>, sustituyendo 6333 por el puerto indicado en la ficha de su aplicación en el área de cliente — y luego apunte a http://localhost:6333. Después, envíe sus embeddings a través de la API REST o mediante el SDK que prefiera.

05

Consultar desde su aplicación

Instale el cliente de Qdrant (pip install qdrant-client o npm install @qdrant/js-client-rest), transmita el embedding de la pregunta del usuario y recupere los k pasajes más cercanos. Esos pasajes se proporcionan luego como contexto a su modelo de lenguaje, que responde apoyándose en sus documentos y no únicamente en sus conocimientos internos.

06

Proteger la instancia

Defina una clave de API mediante la variable de entorno QDRANT__SERVICE__API_KEY y reinicie el contenedor: es la única protección que aguanta, ya que una base de datos vectorial abierta permite leer y modificar la totalidad de sus colecciones. Mientras la receta del catálogo no establezca ninguna, la instalación permanece sin dirección pública — y eso es lo que hoy la protege. Una vez puesta la clave, podrá publicarse tras un dominio, con el vhost de nginx y el certificado TLS que instala ServOrbit.

Preguntas frecuentes

Una base de datos vectorial almacena embeddings, es decir, las representaciones numéricas que producen los modelos de lenguaje y los modelos de embedding. El RAG (generación aumentada por recuperación) consiste en recuperar los fragmentos de documentos más próximos a la pregunta formulada antes de llamar al modelo. Una base como Qdrant realiza esa búsqueda en unos milisegundos sobre millones de fragmentos, algo que una base relacional o un índice de texto completo no saben hacer.

Cualquier modelo que produzca vectores de tamaño fijo sirve. En autoalojado mediante Ollama, las opciones habituales son mxbai-embed-large (1024 dimensiones) y nomic-embed-text (768 dimensiones); por API, text-embedding-3-small de OpenAI (1536 dimensiones) o Cohere Embed. En cuanto a los marcos de desarrollo, LangChain, LlamaIndex, Haystack y semantic-kernel disponen de conectores nativos, además de los SDK oficiales en Python, TypeScript, Go y Rust.

Integrar el botón de despliegue

¿Mantiene un proyecto que utiliza Qdrant? Este botón permite a sus lectores desplegarlo en un VPS con un clic, sin leer documentación de Docker.

Markdown

[![Deploy Qdrant on ServOrbit](https://servorbit.com/brand/deploy/button.svg)](https://servorbit.com/vps-cloud?template=qdrant&utm_source=deploy-badge&utm_medium=referral&utm_campaign=qdrant)

HTML

<a href="https://servorbit.com/vps-cloud?template=qdrant&utm_source=deploy-badge&utm_medium=referral&utm_campaign=qdrant"><img src="https://servorbit.com/brand/deploy/button.svg" alt="Deploy Qdrant on ServOrbit" height="40"></a>

El botón lleva al pedido de un VPS con la plantilla preseleccionada. La imagen se sirve desde servorbit.com: no tiene que alojar nada por su parte.