Qdrant, base de datos vectorial en Docker

Qdrant es una base de datos vectorial de opensource diseñada para almacenar y buscar información basándose en el significado (similitud semántica) en lugar de palabras clave exactas, mediante la indexación de vectores. Veamos como usarla de forma contenerizada con Docker.”

Qdrant es una herramienta fundamental para la inteligencia artificial moderna, especialmente en sistemas de Generación Aumentada por Recuperación (RAG) y motores de recomendación. ### Fuentes: - Imagen Docker de Qdrant - Guía de instalación - Video Install and Run Qdrant Vector Database on Docker - The Top 7 Vector Databases in 2025

Acceso desde Python

pip install qdrant-client

El cliente de Python ofrece una forma conveniente de comenzar con Qdrant localmente:

from qdrant_client import QdrantClient
qdrant = QdrantClient(":memory:") # Create in-memory Qdrant instance, for testing, CI/CD
# OR
client = QdrantClient(path="path/to/db")  # Persists changes to disk, fast prototyping

Cliente-Servidor

Para experimentar todo el poder de Qdrant localmente, ejecute el contenedor con este comando:

docker volume create qdrant_data 
docker run -d -p 6333:6333 \
    --name qdrant \
    -e QDRANT__SERVICE__API_KEY="kukenan" \
    --restart=always \
    -v qdrant_data:/qdrant/storage \
    qdrant/qdrant

Para acceder a la app de Qdrand, abrimor en cualquier browser: http://localhost:6333/dashboard

De esta manera podemos tener mas control del volumen de datos generados para posibles respaldos en el futuro. Ahora podemos acceder al servicio en la siguiente dirección local:

curl -X GET http://localhost:6333 --header 'api-key: kukenan'

Ahora puedes conectarte a esto con cualquier cliente, incluido Python:

qdrant = QdrantClient("http://localhost:6333") # Connect to existing Qdrant instance

Antes de implementar Qdrant en producción, asegúrese de leer nuestras guías de instalación y seguridad

Cuadro comparativo de bases de datos vectoriales: