Qdrant mit Docker starten und erste Vektorsuche
Qdrant ist eine Vektordatenbank, die sich mit einem einzigen Docker-Befehl lokal betreiben lässt. Für eine interne Wissenssuche bleibt der Datenbestand damit auf Ihrer eigenen Infrastruktur.

Was Sie am Ende haben und was Sie vorab brauchen
Am Ende läuft ein Qdrant-Server in einem Container auf Ihrem Rechner, und ein Python-Client ist mit ihm verbunden. Die README von Qdrant beschreibt genau diese beiden Schritte. Sie bilden die Grundlage für eine semantische Suche, bei der Texte als Vektoren gespeichert und nach Ähnlichkeit gefunden werden.
Vorab benötigen Sie eine funktionierende Docker-Installation und Python mit pip. Laut README von Qdrant verwaltet die Vektordatenbank Punkte, also Vektoren mit zusätzlichen Nutzdaten, dem sogenannten Payload. Die Software steht unter der Apache License 2.0 und ist in Rust geschrieben.
Die README zeigt den Start des Servers und die Verbindung per Python. Das Anlegen einer Sammlung, das Einfügen von Vektoren und die Suche beschreibt sie nicht im Detail, sie verweist dafür auf die Schnellstart-Anleitung. Dieser Artikel hält sich deshalb an die belegten Schritte und benennt die offenen Stellen.
Qdrant im Container starten
Der folgende Befehl lädt das Image qdrant/qdrant und startet den Server.
docker run -p 6333:6333 qdrant/qdrantDie README weist ausdrücklich darauf hin, dass diese Variante eine unsichere Installation ohne Authentifizierung ist, die auf allen Netzwerkschnittstellen erreichbar ist. Für Tests auf einem Arbeitsplatzrechner genügt das. Für alles, was andere Personen erreichen können, sollten Sie zuerst die Anleitung zum Absichern der Instanz in der Qdrant-Dokumentation durcharbeiten.
Vor dem Produktivbetrieb empfiehlt die README außerdem, die Installationsanleitung und die Sicherheitsanleitung zu lesen. Planen Sie dafür etwas Zeit ein, denn dort klärt sich, wie der Server dauerhaft und kontrolliert laufen soll. Ein schneller Test im Container ersetzt diese Prüfung nicht.
Mit dem Python-Client verbinden
Qdrant bietet offizielle Clients für Go, Rust, JavaScript und TypeScript, Python, .NET und Java. Für Python installieren Sie zunächst das Paket qdrant-client, dessen Repository die README als Python-Client nennt.
pip install qdrant-clientDas folgende Skript importiert die Klasse QdrantClient und baut die Verbindung zum lokal laufenden Server auf. Die Adresse entspricht dem Port, den Sie beim Start freigegeben haben.
from qdrant_client import QdrantClient
# Connect to the local Qdrant server
client = QdrantClient(url="http://localhost:6333")Die README führt außerdem Community-Clients für Kotlin und PHP auf. Wenn Ihre Anwendung nicht in Python entsteht, wählen Sie den passenden Client aus dieser Liste. Die Verbindung folgt dem gleichen Prinzip, nämlich einer Adresse des laufenden Servers.
Sammlung, Vektoren und Suche: was die README offenlässt
Die README zeigt keinen Code für das Anlegen einer Sammlung, das Einfügen von Punkten oder die Abfrage. Sie nennt lediglich die Bausteine: Punkte bestehen aus Vektor und Payload, und die Suche lässt sich über Bedingungen wie must, should und must_not auf dem Payload filtern. Die genauen Aufrufe finden Sie in der verlinkten Schnellstart-Anleitung und im Tutorial zur semantischen Suche für Einsteiger.
Zur Orientierung zeigt die README ein Beispiel für Qdrant Edge, die Variante innerhalb des Anwendungsprozesses. Dort wird ein Vektor mit vier Dimensionen, der Distanz Cosine und dem Payload color mit dem Wert red gespeichert. Dieses Beispiel gehört zu Edge und zum Server passt es nicht, deshalb übertragen wir es hier nicht.
Für die Praxis brauchen Sie eine Einbettung, die Ihre Texte in Vektoren umwandelt. Die README listet dafür Integrationen mit Anbietern von Einbettungsmodellen auf der Ecosystem-Seite auf. Wählen Sie ein Modell, das Sie lokal betreiben können, wenn die Texte das Haus nicht verlassen sollen.
Die README nennt zudem weitere Funktionen, die später nützlich werden. Dazu gehören dichte und dünnbesetzte Vektoren, die hybride Suche, die Quantisierung zur Senkung des Arbeitsspeicherbedarfs sowie verteilter Betrieb mit Sharding und Replikation. Für den ersten Versuch brauchen Sie davon nichts, doch die Liste zeigt, wohin sich ein Projekt entwickeln kann.
Prüfen, Stolpersteine und Einsatz im Unternehmen
Ob der Server läuft, sehen Sie an der Weboberfläche, die laut README Sammlungen anzeigt und den Zustand der Installation überwacht. Zusätzlich bietet Qdrant eine REST-Schnittstelle mit OpenAPI-3.0-Spezifikation und für schnellere Abfragen eine gRPC-Schnittstelle. Als Stolperstein nennt die README die fehlende Authentifizierung im Standardstart.
Im Betrieb sollten Sie klären, wer den Container aktualisiert, wer Zugriffe verwaltet und wie Sicherungen laufen. Die README verweist dafür auf die Installations- und Sicherheitsanleitungen. Aus Sicht des Datenschutzes zählt vor allem, wo der Server steht und wer ihn erreicht. Mehr dazu finden Sie auf unseren Seiten zu Sicherheit und Datenschutz und zu lokaler KI.
Eine Vektordatenbank bildet nur einen Baustein einer Wissenssuche. souveraen.ai ist eine KI-Plattform für Unternehmenswissen, die Fragen aus angebundenen Quellen beantwortet und zu jeder Antwort die Fundstelle nennt. Wer das nicht selbst bauen möchte, findet Näheres unter Wissensmanagement mit KI und zur Entwickler-API.
Quellen
- Qdrant README, Qdrant


