Qdrant

Kurzfazit

Qdrant ist die Vektor-Datenbank aus Berlin, die sich seit 2021 vom Open-Source-Underdog zum ernsthaften Wettbewerber von Pinecone und Weaviate entwickelt hat. In Rust geschrieben, mit branchenführender Performance, geringem RAM-Verbrauch und einem mächtigen Payload-Filtering, das komplexe Bedingungen direkt in den Vektor-Query integriert. Die Cloud läuft auf AWS, GCP und Azure — inklusive Frankfurt (eu-central-1) für DSGVO-konforme Workloads. Wer in Europa eine RAG-Anwendung baut und keine Lust auf US-only-Hosting hat, kommt an Qdrant praktisch nicht vorbei. Kostenpunkte: Self-Hosting ist gratis (Apache 2.0), die Cloud bietet einen echten Free-Forever-Cluster zum Probieren, Produktivnutzung beginnt im niedrigen zweistelligen Euro-Bereich pro Monat. Die einzige echte Hürde: Es ist Entwickler-Software — kein Klick-und-fertig.

Für wen ist Qdrant?

Entwicklerteams mit RAG-Projekten: Wer eine Retrieval-Augmented-Generation-Pipeline baut — also Dokumente in Embeddings überführt, in eine Vektor-Datenbank legt und per LLM beantwortet — bekommt mit Qdrant eine sehr ausgereifte Engine mit Python-, JavaScript-, Go-, Rust- und Java-SDKs. Die Abfragen lassen sich präzise filtern, ohne dass du den ANN-Suchpfad verlässt.

KI-Architekt:innen im europäischen Mittelstand: Qdrant Solutions GmbH ist eine deutsche Firma mit Sitz in Berlin. AVV nach deutschem Recht, Hosting wahlweise auf eigener Infrastruktur oder in der EU-Region — das ist für DSGVO-sensible Branchen (Recht, Medizin, Banking, Versicherung, Behörden) ein Argument, das US-Konkurrenten so nicht liefern können.

Teams mit großen Vektor-Indizes: Sobald deine Sammlung in die Millionen Vektoren wächst, werden Speicherverbrauch und Query-Latenz zur ernsten Frage. Qdrant bringt drei Quantization-Verfahren (Scalar, Product, Binary) mit, die den RAM-Bedarf um Faktor 4 bis 32 senken — bei moderatem Qualitätsverlust. Für produktive Anwendungen mit harten Kostenzielen ist das ein echter Hebel.

Empfehlungs- und Such-Engineers: Mit named Vektoren (mehrere Embedding-Räume pro Punkt), sparse Vektoren (für BM25-artige Keyword-Signale) und hybrider Suche deckt Qdrant Use-Cases jenseits klassischer Semantic Search ab — Produktempfehlungen, Multi-Modal-Retrieval, Re-Ranking-Pipelines.

Open-Source-Befürworter:innen: Wer auf Vendor-Lock-in keine Lust hat, bekommt mit der Apache-2.0-Lizenz die volle Engine — inklusive aller Features. Die Cloud-Version ist eine Komfort-Schicht, kein Funktionskäfig: Self-Hosted und Cloud sprechen identisches API.

Weniger geeignet für: Fachabteilungen ohne Entwicklerkapazität (Qdrant ist eine Datenbank, kein Anwendungsbaukasten), Mini-Prototypen mit ein paar tausend Vektoren (eine SQLite mit pgvector-Extension oder ein lokaler FAISS-Index reicht), und Teams, die Embedding-Generierung und Vektor-Speicher in einer Hand haben wollen — Qdrant erzeugt selbst keine Embeddings.

Preise im Detail

Plan	Preis	Was du bekommst
Self-Hosted (Open Source)	0 € (Apache 2.0)	Vollständige Engine, alle Features, Docker- und Kubernetes-Deployments, eigene Infrastruktur
Cloud Free Forever	0 €	1 Cluster, 0,5 vCPU, 1 GB RAM, 4 GB Disk, Cloud-Inference für ausgewählte Modelle inkl.
Cloud Standard	nutzungsbasiert (stündlich)	Dedizierte Ressourcen, vertikale + horizontale Skalierung, Backups, 99,5 % Uptime SLA, Multi-Cloud (AWS/GCP/Azure inkl. Frankfurt)
Cloud Premium	ab definiertem Mindestumsatz	Standard-Features plus SSO, Private VPC Links, 99,9 % Uptime SLA, erweiterte Support-Optionen
Hybrid Cloud	auf Anfrage	Managed Qdrant auf eigener Infrastruktur — Datenhaltung bleibt bei dir, Management übernimmt Qdrant
Private Cloud	auf Anfrage	Dedizierte, isolierte Deployments für Großunternehmen mit individuellen SLAs

Einordnung: Qdrant ist ein Musterbeispiel für ein faires Open-Core-Modell — die komplette Engine ist Open Source, die Cloud verkauft Komfort und Betrieb, nicht Funktionen. Das Free-Forever-Cluster ist mit 1 GB RAM bewusst auf Prototypen zugeschnitten — produktive RAG-Anwendungen mit zehntausenden Dokumenten brauchen den Standard-Plan, der je nach Größe im niedrigen bis mittleren zweistelligen Euro-Bereich pro Monat startet. Die stündliche Abrechnung nach tatsächlichem Verbrauch (vCPU, RAM, Storage) ist transparent, aber bei wachsenden Workloads schwer vorab zu kalkulieren — der Pricing-Calculator auf der Website hilft. Premium ist für DSGVO-pflichtige Enterprises mit SSO-Pflicht relevant, hier liegt der Mindestumsatz im vierstelligen Bereich pro Monat. Wer Self-Hosting beherrscht, fährt unter dem Strich oft günstiger als mit einer der US-Cloud-Vektor-DBs — bekommt aber den Betrieb mitsamt Kubernetes-Operator und Backup-Strategie als Hausaufgabe.

Stärken im Detail

Rust-Performance, die spürbar ist. Während die meisten Vektor-Datenbanken in Python, Java oder Go geschrieben sind, setzt Qdrant durchgehend auf Rust. Das übersetzt sich in niedrige Latenzen, geringen RAM-Verbrauch und hohe Durchsatzraten — in unabhängigen Benchmarks (ann-benchmarks.com, von Qdrant selbst und von Dritten) gehört Qdrant regelmäßig zur Spitzengruppe bei Queries-per-Second und Recall. Für Anwendungen mit Latenz-SLA im einstelligen Millisekunden-Bereich ist das ein realer Vorteil.

Payload-Filtering, das mehr kann als „WHERE.” Qdrant erlaubt es, beliebig komplexe Bedingungen über die Metadaten (Payload) eines Punktes direkt im Vektor-Query auszuführen — verschachtelte Bools, geographische Filter, Range-Queries, Volltext-Match. Der Clou: Diese Filter werden während der ANN-Suche angewandt, nicht nachgelagert — was bei selektiven Filtern sowohl schneller als auch genauer ist als der Pre- oder Post-Filter-Ansatz vieler Konkurrenten.

Named Vektoren und sparse Vektoren als Erstklassen-Features. Ein Datenpunkt kann mehrere Embeddings haben (z. B. Titel-Embedding + Body-Embedding + Bild-Embedding), die unabhängig oder kombiniert durchsucht werden. Sparse Vektoren — etwa von SPLADE oder als BM25-Variante — erlauben hybride Suche aus dichten und dünnen Signalen in einer Engine. Das ist 2026 die State-of-the-Art-Architektur für hochwertige Suche und in vielen Konkurrenzprodukten erst nachträglich oder gar nicht verfügbar.

Quantization für ernsthafte Skalierung. Bei 100 Millionen Vektoren mit 1.536 Dimensionen sprechen wir schnell von 600 GB RAM — eine Hardware-Wand. Qdrant bietet drei Verfahren: Scalar Quantization (4× kleiner, ≈ 0,5 % Recall-Verlust), Product Quantization (16× bis 32× kleiner, größere Recall-Einbußen) und Binary Quantization (32× kleiner, am aggressivsten). Damit lassen sich riesige Indizes auf erschwinglicher Hardware betreiben — eine Eigenschaft, die in der Architekturplanung früh eine Rolle spielen sollte.

EU-Hosting und deutscher Anbieter — nicht nur Marketing. Qdrant Solutions GmbH ist in Berlin gegründet und ansässig. Cloud-Cluster lassen sich explizit in der Frankfurt-Region bei AWS, in europe-west bei GCP oder in westeurope bei Azure betreiben. AVV nach deutschem Recht, deutschsprachiger Support — das ist für DSGVO-Verantwortliche und Datenschutz-Beauftragte eine deutlich kürzere Genehmigungsstrecke als bei US-Anbietern, bei denen Standardvertragsklauseln, Schrems-II-Bewertung und Folgenabschätzung Wochen kosten können.

API-Konsistenz zwischen Self-Hosted und Cloud. Was du lokal in Docker entwickelst, läuft 1:1 in der Cloud — kein anderes API, keine vendor-spezifischen Erweiterungen. Das macht den Wechsel zwischen Entwicklungs-, Test- und Produktivumgebung trivial und gibt dir jederzeit die Option, ohne Migration zwischen Self-Hosting und Managed Service zu wechseln.

Schwächen ehrlich betrachtet

Es ist eine Datenbank, kein Anwendungsbaukasten. Qdrant erzeugt keine Embeddings, hat keine Web-UI für Endanwender:innen und enthält keine eingebauten LLM-Aufrufe. Du brauchst zwingend eine umliegende Anwendung — Python-Skript, FastAPI-Service, LangChain-Pipeline — die Embeddings erzeugt und Antworten generiert. Wer „Klick-und-fertig” erwartet, ist bei Pinecone (mit integrierten Konnektoren) oder Weaviate Cloud (mit Inferenz-Modulen) komfortabler aufgehoben.

Free-Tier ist ein Showroom, kein Produktivsystem. 1 GB RAM und 4 GB Disk reichen für ein paar Tausend bis maximal Zehntausend Vektoren — danach ist Schluss. Das ist für Prototypen und Lerncluster genau richtig, aber wer aus Versehen ernsthafte Workloads dorthin lädt, läuft schnell gegen die Wand. Der Sprung in den Standard-Plan ist der eigentliche Beginn.

Operations-Aufwand bei Self-Hosting nicht zu unterschätzen. Wer Qdrant auf eigener Infrastruktur betreibt, muss sich um Backup-Strategie, Replikation (für Hochverfügbarkeit braucht es einen Cluster mit mindestens 3 Knoten), Monitoring, TLS-Zertifikate und ggf. Kubernetes-Operator selbst kümmern. Das ist alles dokumentiert, aber kein Wochenend-Projekt. Wer kein DevOps-Team hat, fährt mit der Cloud klar besser — auch wirtschaftlich.

Premium-Features hinter Mindestumsatz. SSO, Private VPC Links und einige Compliance-Features sind erst im Premium-Tier verfügbar — und der hat einen monatlichen Mindestumsatz, der für kleine Teams hoch wirkt. Wer SSO-Pflicht hat (häufige Enterprise-Anforderung), aber nur kleine Workloads fährt, zahlt überproportional viel oder muss ins Self-Hosting ausweichen.

Kein integriertes Embedding-Modell. Wettbewerber wie Weaviate liefern Embedding-Module mit, die Vektoren beim Insert direkt aus Text erzeugen — das spart einen API-Call und etwas Code. Qdrant erwartet, dass du Embeddings extern erzeugst (OpenAI, Cohere, Hugging Face, lokale Modelle wie BGE). In der Cloud ist mittlerweile auch Cloud Inference verfügbar, aber das ist eine optionale Ergänzung, kein Kernbestandteil der Engine.

Dokumentation tief, aber stellenweise lückenhaft. Die offizielle Dokumentation ist gut — aber an einigen Stellen (Multi-Region-Replikation, fortgeschrittene Quantization-Konfiguration, Performance-Tuning bei sehr großen Indizes) endet sie früh und du landest in GitHub-Issues oder im Discord-Channel. Für Standard-Use-Cases reicht sie locker, für ungewöhnliche Edge-Cases solltest du Community-Recherche einplanen.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine Klick-und-fertig-Cloud-Lösung mit minimalem Setup willst	Pinecone
Embedding-Module direkt in der Datenbank brauchst	Weaviate
Eine bestehende PostgreSQL-Datenbank um Vektor-Suche erweitern willst	pgvector
Dein RAG-Stack inklusive Orchestrierung in einem Framework bauen willst	LangChain
Embeddings und Modelle aus einem deutschen Open-Source-Hub beziehen willst	Hugging Face

Erwähnenswert ohne eigene Tool-Seite: Chroma (sehr einfache Python-First-Vektor-DB für Prototypen, weniger ausgereift bei Produktivlast), Milvus (chinesisches Open-Source-Projekt mit großer Community, vergleichbar leistungsfähig, aber operativ schwergewichtiger), LanceDB (embedded Vector-DB für lokale Anwendungen, anderes Einsatzprofil) sowie Vespa (Yahoos Engine, extrem mächtig, aber mit steilster Lernkurve im Feld). Qdrant ist 2026 der pragmatische Standard für europäische RAG-Stacks — leistungsfähig genug für Großworkloads, einfach genug für Mittelständler, und mit einer DSGVO-Story, die Pinecone und Weaviate Cloud so nicht liefern.

So steigst du ein

Schritt 1: Lokal starten mit Docker. Ein einziger Befehl reicht: docker run -p 6333:6333 qdrant/qdrant. Damit hast du eine voll funktionsfähige Qdrant-Instanz auf deinem Rechner — inklusive Web-UI auf http://localhost:6333/dashboard. Spiele eine kleine Sammlung ein (z. B. 1.000 Wikipedia-Artikel als Embeddings via OpenAI), formuliere ein paar Queries, prüfe die Response-Zeiten. In zwei Stunden hast du das mentale Modell.

Schritt 2: Free-Forever-Cluster in der Cloud anlegen. Registriere dich auf cloud.qdrant.io und richte den kostenlosen Cluster ein — wahlweise in AWS Frankfurt, GCP europe-west oder Azure westeurope. Verbinde dich mit dem Python- oder TypeScript-SDK und teste, ob deine lokale Anwendung gegen den Cloud-Endpoint genauso funktioniert. Sie wird — das API ist identisch.

Schritt 3: Echten Use-Case umsetzen — RAG-Pipeline. Der häufigste Einstieg: Lade ein eigenes Dokumentenset (PDFs, Markdown), splitte in Chunks (z. B. mit dem Splitter aus LangChain oder LlamaIndex), erzeuge Embeddings mit OpenAI oder einem lokalen Modell, lade sie in eine Qdrant-Collection. Implementiere dann den Retrieval-Schritt: Frage einbetten, top-k Treffer holen, an Claude oder GPT-4 als Kontext anhängen. Das ist die Skelett-Architektur, mit der 90 % aller produktiven RAG-Anwendungen starten.

Schritt 4: Filter und Quantization einsetzen, sobald es ernst wird. Sobald deine Sammlung wächst, lerne die zwei Hebel: Payload-Filter (z. B. „nur Dokumente aus der Abteilung Recht UND vom Jahr 2024”) für Präzision, Quantization (Scalar als Default, Binary für riesige Indizes) für RAM-Effizienz. Diese beiden Features unterscheiden eine Spielzeug-Implementation von einer produktionsreifen — und sind in Qdrant exzellent dokumentiert.

Ein konkretes Beispiel

Ein mittelständischer Versicherer aus Köln (340 Mitarbeitende, Sach- und Haftpflicht) baut einen internen Schadenfall-Assistenten, der 23 Jahre Schadenakten und Gutachten durchsuchbar machen soll. Architektur: Dokumente werden via OCR aus dem Aktenarchiv extrahiert, in semantische Chunks zerlegt und mit einem deutschsprachigen Embedding-Modell (BGE-M3 lokal auf einer GPU) eingebettet. Speicher: Qdrant Self-Hosted auf einem Kubernetes-Cluster im hauseigenen Rechenzentrum — Apache-2.0-Lizenz, keine Lizenzgebühren, volle Datenhoheit. Größe: 8,4 Millionen Chunks mit Scalar Quantization, läuft auf 64 GB RAM. Payload-Filter: Sparte, Schadenjahr, Region, Sensitivität — direkt im Vektor-Query, sodass eine Sachbearbeiterin mit „Hagel 2018 Bayern” sofort auf den relevanten Korpus eingeschränkt sucht. LLM-Antwort: Claude Sonnet via AWS Bedrock (Frankfurt) — DSGVO-sauber. Resultat: Recherchezeit pro komplexem Fall sinkt von durchschnittlich 90 Minuten auf 12 Minuten. Der IT-Aufwand für Aufbau und Härtung: ein Senior-Entwickler plus DevOps-Unterstützung, zusammen rund 6 Wochen. Kein Datenabfluss in die Cloud, kein US-Anbieter im kritischen Pfad.

DSGVO & Datenschutz

• Anbieter: Qdrant Solutions GmbH, Berlin — deutsches Unternehmen nach deutschem Recht.
• Datenhosting Cloud: Wahlweise AWS Frankfurt (eu-central-1), GCP europe-west, Azure westeurope — du wählst beim Anlegen des Clusters die Region. Datenverarbeitung verlässt die EU nicht.
• Datenhosting Self-Hosted: Auf eigener Infrastruktur — du bestimmst Standort, Backup-Regime und Zugriff vollständig selbst. Für maximale Compliance der saubere Weg.
• Hybrid Cloud: Managed Qdrant auf deiner Infrastruktur — Datenhaltung bleibt bei dir, das Cluster-Management übernimmt Qdrant über die Control Plane. Empfehlenswert für Enterprises mit strengen Daten-Residenz-Vorgaben, die trotzdem nicht alles selbst betreiben wollen.
• Auftragsverarbeitung (AVV): Standardmäßig verfügbar, deutsches Recht. Für die Cloud-Pläne im Onboarding direkt erhältlich.
• Datennutzung: Qdrant nutzt deine Vektoren nicht für Modelltraining oder andere Zwecke — Vektor-Datenbanken haben damit auch funktional nichts zu tun. Telemetrie kann in der Self-Hosted-Variante deaktiviert werden.
• Empfehlung für Unternehmen: Für DSGVO-sensible Workloads (Recht, Medizin, Versicherung, Banking) eine der wenigen Vektor-DBs, bei denen die Datenschutzbewertung kurz statt lang ausfällt — deutscher Anbieter, EU-Hosting, Self-Hosting-Option, AVV nach deutschem Recht. Für höchste Anforderungen (Behörden, kritische Infrastruktur): Self-Hosted im eigenen Rechenzentrum.

Gut kombiniert mit

• LangChain — die offensichtliche Orchestrierungs-Schicht für RAG-Pipelines mit Qdrant. Native QdrantVectorStore-Integration, kein eigenes Glue-Code nötig. Für ernsthafte Agenten zusätzlich LangGraph einsetzen.
• Hugging Face — Embedding-Modelle (BGE, E5, multilinguale Sentence-Transformers) aus dem Hub kommen direkt zum Einsatz. Für DSGVO-konforme, lokale Embedding-Erzeugung ohne API-Calls in die USA der Standardpfad.
• n8n — wenn die RAG-Logik in einen breiteren Workflow eingebettet werden soll (Trigger, Datenabruf aus Confluence/Jira, Notifications nach Slack), übernimmt n8n die Orchestrierung. n8n hat HTTP-Knoten, mit denen Qdrant-Calls trivial integriert werden.

Unser Testurteil

Qdrant verdient 5 von 5 Sternen. Im Segment der Vektor-Datenbanken gibt es nur eine Handvoll ernstzunehmender Player — und Qdrant hebt sich in mehreren Dimensionen positiv ab: Performance (Rust), Funktionstiefe (Filter, sparse Vektoren, Quantization), Lizenzmodell (Apache 2.0, kein Open-Core-Tricks bei Kernfunktionen) und vor allem Standort und Datenschutz (Berliner GmbH, EU-Hosting, AVV nach deutschem Recht). Die einzige relevante Schwäche — der Operations-Aufwand bei Self-Hosting und das Fehlen einer No-Code-Oberfläche — ist eine bewusste Designentscheidung, kein Mangel: Qdrant zielt auf Entwickler und nimmt sich nicht vor, eine Anwendungs-Plattform zu sein. Wer im europäischen Mittelstand 2026 eine RAG-Anwendung baut und keine Lust auf US-Cloud-Bindung hat, sollte Qdrant zur Standard-Wahl machen — vor Pinecone, vor Weaviate Cloud, oft auch vor pgvector, sobald die Sammlung über einige Hunderttausend Vektoren wächst.

Was wir bemerkt haben

• 2021 — Qdrant wurde von Andrey Vasnetsov und Andre Zayarni in Berlin gegründet. Bemerkenswert: ein deutsches Open-Source-Infrastruktur-Projekt, das innerhalb von vier Jahren in eine Liga mit US-finanzierten Konkurrenten wie Pinecone und Weaviate aufgestiegen ist — ungewöhnlich für die deutsche Tech-Landschaft.
• 2024 — Qdrant hat eine 28-Mio.-USD-Serie-A-Runde abgeschlossen (geführt von Spark Capital). Das Geld fließt überwiegend in Cloud-Aufbau, EU-Regionen und Enterprise-Features. Die Open-Source-Engine bleibt unangetastet unter Apache 2.0.
• 2024 — Native Unterstützung für sparse Vektoren und damit hybride Suche wurde stabilisiert. Das war eine wichtige Lücke gegenüber Wettbewerbern und ist heute eines der differenzierenden Features.
• 2025 — Cloud Inference (Embedding-Generierung in der Qdrant Cloud, ohne externen API-Call) wurde eingeführt. Das schließt eine Lücke gegenüber Weaviate, das diese Funktion länger hatte. Für Self-Hosted-Nutzer weiterhin extern zu lösen.
• 2025 — Mit Hybrid Cloud und Private Cloud hat Qdrant das Enterprise-Angebot deutlich ausgebaut. Großkunden wie Bayer, Bosch, HubSpot und Disney werden offen kommuniziert — die Marktwahrnehmung hat sich vom „interessanten Open-Source-Projekt” zum „seriösen Infrastruktur-Anbieter” verschoben.
• Mai 2026 — Das Free-Forever-Cluster (1 GB RAM) bleibt erhalten und ist eines der wenigen echten Probier-Angebote im Segment ohne zeitliche Befristung. Für Lerncluster und kleine Prototypen ein klares Plus gegenüber Wettbewerbern, die nur 14-Tage-Trials anbieten.