Qdrant
Base de datos vectorial — un tipo de base de datos especializada en almacenar, buscar y comparar embeddings (vectores numéricos). Qdrant permite guardar el “significado” de textos (convertidos a vectores) y luego encontrar los fragmentos más parecidos a una pregunta o idea.
RAG, impulsado por la eficiente recuperación de datos de Qdrant, potencia la capacidad de la IA para generar contenido enriquecido y contextualizado a partir de texto, código y multimedia, mejorando la relevancia y la precisión en una plataforma escalable.
| Concepto | Descripción |
|---|---|
| Qdrant | Base de datos vectorial para guardar y buscar embeddings. |
| Función en tu sistema | Permite que el modelo encuentre contexto real dentro de tus documentos. |
| Ventaja principal | Búsqueda por significado, no por palabras exactas. |
| Alternativas | ChromaDB, Weaviate, Milvus, Pinecone (pero Qdrant es ligero y local). |
Ventajas
|
Ventaja |
Explicación |
|---|---|
| ⚡ Búsqueda semántica rápida | Usa índices vectoriales (HNSW) que hacen búsquedas súper eficientes, incluso con millones de fragmentos. |
| 💾 Persistencia y escalabilidad | Guarda datos en disco, puedes crecer sin perder embeddings. |
| 🧩 API simple (REST/gRPC) | Puedes conectarte desde Open WebUI, Python, LangChain, LlamaIndex, etc. |
| 🧠 Filtrado avanzado | Puedes buscar vectores por similitud y aplicar filtros (por documento, fecha, tema…). |
| 🔐 Local y privado | Ideal para entornos on-premise (como tu servidor Ubuntu). |
Desplegar con docker
Añadiendo al fichero docker-compose.yaml usado para desplegar ollama, podemos ampliarlo para incluir "Qdrant"
....
qdrant:
image: qdrant/qdrant:latest
container_name: qdrant
restart: unless-stopped
ports:
- "6333:6333"
volumes:
- ./data/qdrant:/qdrant/storage