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.

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.

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 6333/6334). 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.

Créer, héberger et exploiter des solutions IA.

Qdrant

Self-hosted vector database for semantic search and RAG — the missing infrastructure layer for your LLM stack.

Code source

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.

Deployed 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.

Fonctionnalités clés

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.

Quand utiliser cette solution ?

1

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.

2

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.

3

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.

Déployer Qdrant sur votre VPS

Guide optimisé pour les VPS Cloud ServOrbit.

01

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.

02

Déployer depuis le Marketplace

Dans votre espace client ServOrbit : Marketplace → Intelligence Artificielle → Qdrant → Déployer. L'image qdrant/qdrant: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 /qdrant/storage conserve les collections et les index.

03

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 /dashboard est ouvert — n'y attachez pas de domaine public tant qu'une clé d'API n'est pas configurée.

04

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 https://<votre-domaine>/collections/my_docs -H 'Content-Type: application/json' -d '{"vectors":{"size":1536,"distance":"Cosine"}}'. C'est l'adresse à viser depuis n'importe quelle machine ; depuis le VPS lui-même, http://127.0.0.1:6333 fonctionne aussi. Sans domaine attaché, Qdrant n'a aucune adresse publique : ouvrez un tunnel SSH — ssh -L 6333:127.0.0.1:6333 root@<ip-du-vps>, en remplaçant 6333 par le port indiqué sur la fiche de votre app dans l'espace client — puis visez http://localhost:6333. Envoyez ensuite vos embeddings par l'API REST ou par le SDK de votre choix.

05

Interroger depuis votre application

Installez le client Qdrant (pip install qdrant-client ou npm install @qdrant/js-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.

06

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. Vous n'avez en revanche ni proxy inverse à installer ni certificat à gérer : ServOrbit pose le vhost nginx et le TLS dès qu'un domaine est attaché — n'attachez ce domaine qu'une fois la clé en place, le chiffrement protégeant le transport sans identifier personne.

Questions fréquentes

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.

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/TypeScript/Go/Rust SDKs.

Intégrer le bouton de déploiement

Vous maintenez un projet qui utilise Qdrant ? Ce bouton permet à vos lecteurs de le déployer sur un VPS en un clic, sans lire de documentation 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>

Le bouton pointe vers la commande d'un VPS avec le template présélectionné. L'image est servie depuis servorbit.com — rien à héberger de votre côté.