Qdrant хранит векторы и связанные метаданные для поиска по сходству. Это инфраструктура базы знаний для ИИ, а не самостоятельная языковая модель или чат-бот. Отдельная embedding-модель преобразует текст в векторы; приложение находит фрагменты и затем передаёт их языковой модели.
Среда: Ubuntu Server 24.04 LTS, x86-64, SSH и учётная запись с sudo. Проверено по документации 15 ноября 2026 года. Команды не проходили сквозное испытание на Ubuntu.
Что подготовить
Для небольшого теста начните примерно с 2 vCPU, 4 ГБ RAM и 15 ГБ свободного диска. Расход памяти и диска зависит от числа векторов, размерности, метаданных, индексов и реплик. Embeddings и генерация требуют отдельных ресурсов. Сначала используйте вымышленные данные; реальные метаданные добавляйте после определения доступа и сроков хранения.
Приведённые ресурсы — ориентир для небольшого теста, а не гарантия производительности или описание тарифов. VPS/VDS не означает наличие GPU. Проверьте память, диск и доступные ресурсы перед заказом.
На чистой Ubuntu установите пакеты ниже. Если Docker уже установлен из другого репозитория, сохраните текущую установку и сначала проверьте совместимость: не смешивайте пакеты Docker CE и docker.io. Нужен Compose v2; при отсутствии пакета проверьте включение репозитория Ubuntu Universe.
sudo apt update
sudo apt install -y docker.io docker-compose-v2 curl openssl
sudo systemctl enable --now docker
sudo docker compose version
Все примеры публикуют порты только на 127.0.0.1 сервера. Для доступа с компьютера используйте SSH-туннель; домен для этого не нужен. Не открывайте эти порты в интернете. Внутренний адрес 0.0.0.0 в контейнере не отменяет привязку опубликованного порта к loopback хоста.
Каждый проект ниже — новая установка. Не повторяйте генерацию секретов поверх уже работающего экземпляра.
1. Создайте приватную базу с авторизацией
Сохраните ключ в .env, а YAML — в compose.yaml. Публикуется только REST на loopback; порты gRPC и кластера не открываются. Данные и снимки сохраняются в постоянных томах.
umask 077
mkdir -p ~/ai-qdrant
cd ~/ai-qdrant
printf 'QDRANT_KEY=%s\n' "$(openssl rand -hex 32)" > .env
services:
qdrant:
image: qdrant/qdrant:latest
restart: unless-stopped
ports:
- "127.0.0.1:6333:6333"
environment:
QDRANT__SERVICE__API_KEY: ${QDRANT_KEY:?set QDRANT_KEY in .env}
volumes:
- data:/qdrant/storage
- snapshots:/qdrant/snapshots
volumes:
data:
snapshots:
2. Проверьте авторизацию и создайте тестовую коллекцию
Выполните на VPS. Запрос коллекций без ключа должен отклоняться с 401/403. Четырёхмерные векторы ниже — числовой пример, а не embeddings реального текста. Создавайте эту коллекцию только в новом тестовом экземпляре и не заменяйте рабочую коллекцию.
sudo docker compose up -d
curl -s -o /dev/null -w '%{http_code}
' http://127.0.0.1:6333/collections
set -a
. ./.env
set +a
curl --fail-with-body -X PUT http://127.0.0.1:6333/collections/guide_demo -H "api-key: $QDRANT_KEY" -H 'Content-Type: application/json' -d '{"vectors":{"size":4,"distance":"Cosine"}}'
curl --fail-with-body -X PUT 'http://127.0.0.1:6333/collections/guide_demo/points?wait=true' -H "api-key: $QDRANT_KEY" -H 'Content-Type: application/json' -d '{"points":[{"id":1,"vector":[1,0,0,0],"payload":{"text":"Example: backups are stored off-server."}},{"id":2,"vector":[0,1,0,0],"payload":{"text":"Example: SSH uses keys."}}]}'
curl --fail-with-body -X POST http://127.0.0.1:6333/collections/guide_demo/points/query -H "api-key: $QDRANT_KEY" -H 'Content-Type: application/json' -d '{"query":[1,0,0,0],"limit":1,"with_payload":true}'
unset QDRANT_KEY
3. Перейдите от примера к поиску по документам
Ближайшим результатом должна быть точка 1. Для документов разделите текст на фрагменты, вычислите embeddings выбранной моделью и используйте её реальную размерность. Запросы кодируйте той же моделью. При смене модели обычно нужны новые embeddings и соответствующая коллекция. Приложение должно проверять права на документы до поиска и выдачи фрагментов: общий API-ключ не обеспечивает разделение клиентов. Инструкции внутри документов считайте недоверенным текстом.
4. Доступ и копирование хранилища
Создайте туннель со своего компьютера для REST-клиента или локального приложения. В этом односерверном примере согласованно копируйте оба тома при остановленном контейнере, отдельно сохраните .env. Сохраняйте исходные документы и версию embedding-модели: одних векторов недостаточно для восстановления базы знаний. Для крупной системы нужны проверенные снимки, восстановление и расчёт ресурсов, а не копирование работающей файловой системы.
ssh -N -L 127.0.0.1:6333:127.0.0.1:6333 YOUR_USER@YOUR_SERVER_IP
Обновления и восстановление
Перед обновлением остановите приложение на время согласованного резервного копирования, сохраните данные и секреты за пределами VPS и проверьте восстановление на отдельном экземпляре. Изменяемые теги образов в примерах нужны для первоначальной оценки; перед постоянной эксплуатацией зафиксируйте проверенный тег выпуска или digest. Запишите текущий digest командой sudo docker image inspect ИМЯ_ОБРАЗА --format '{{json .RepoDigests}}'. Не запускайте автоматические обновления без проверки совместимости и не удаляйте тома командой down -v.
Если приложение не запускается, проверьте sudo docker compose ps, последние журналы, свободное место и память. Не публикуйте журналы с ключами, содержимым запросов или персональными данными. При ошибке доступа к каталогу проверьте UID/GID и владельца, а не назначайте права 777. Для совместного доступа сначала настройте HTTPS, аутентификацию и ограничения запросов.