Halkalı merkez mahallesi fatih cd ozgur apt no 46 , Küçükçekmece , İstanbul , 34303 , TR
Vector database kapasitesi yalnız document sayısı değildir. Vector dimension, sayı, datatype, payload index, HNSW, quantization, replication ve on-disk ayarları RAM/disk ihtiyacını değiştirir. Qdrant production checklist horizontal scaling için shard yapısını baştan planlamayı önerir.
Qdrant resmî kurulum dokümanına göre CPU/RAM ihtiyacı vector sayısı, vector dimension, payload/index, storage, replication ve quantization yapılandırmasına bağlıdır. Memory usage görünümü collection bazında RAM, disk ve page cache kullanımını izlemeyi sağlar.
Uygulama embedding üretir, vector ve payload Qdrant collection'a yazılır; query embedding similarity search ile benzer kayıtları döndürür.
Vector data dışında HNSW graph ve payload index'leri de memory kullanabilir. Quantization ve on-disk seçenekleri footprint'i değiştirir.
Qdrant production checklist yatay ölçek için yeterli shard sayısını baştan planlamayı önerir; distributed deployment'ta snapshot'lar node bazında ele alınır.
API key/TLS kullanıyorsanız curl örneklerine uygun header ve HTTPS ekleyin.
Türkiye (Türkçe)
Almanya (German)
Worldwide (English)
curl -s http://localhost:6333/healthzcurl -s http://localhost:6333/collections | headcurl -s http://localhost:6333/collections/my_collection | headdocker logs --tail=100 qdrant 2>/dev/null || trueSnapshot oluşturmak yetmez; başka node veya test ortamına restore ederek recovery akışını doğrulayın.
Embedding/vector verisini saklayıp similarity search ve filtreleme yapmak için kullanılan vector database/search engine'dir.
Genellikle vector database search/store katmanı CPU/RAM/disk üzerinde çalışabilir; embedding veya LLM inference ayrı GPU gerektirebilir.
Qdrant dokümanı Docker/Compose ile production çalıştırılabileceğini belirtir ancak HA, backup, disaster recovery ve güvenlik sizin sorumluluğunuzdadır.
Vector sayısı, dimension, payload index, replication ve RAG query yoğunluğunu iletin; uygun RAM/NVMe/node sınıfını belirleyelim.