GitHub Radar — Qdrant
Rust ile geliştirilmiş, HNSW graf gezintisinde tek geçişli yük filtreleme ve çok katmanlı kuantizasyonla çalışan yüksek ölçekli vektör veritabanı.
Qdrant, yapay zeka modellerinin ürettiği yüksek boyutlu gömme (embedding) vektörlerini saklamak, dizinlemek ve meta veri filtreleriyle mikrosaniye hızında aramak amacıyla saf Rust ile sıfırdan geliştirilmiş kurumsal sınıf bir vektör veritabanıdır 1. Geleneksel arama kütüphanelerinin C++ bağlayıcıları (bindings) etrafına sarılmış kırılgan mimariler sunduğu, kaba kuvvet filtreleme yöntemleriyle HNSW indekslerini çökerttiği ve yüksek bellek tüketimiyle donanım faturalarını katladığı mevcut ekosistemde Qdrant; özel graf geçişi optimizasyonları, segment tabanlı depolama düzeni ve bellek haritalı kuantizasyon mekanizmalarıyla modern RAG boru hatlarına düşük seviyeli sistem kararlılığı kazandırır 2.
Üretken yapay zeka altyapıları ve modern bilgi getirme (retrieval) mühendisliği çevrelerinde 35 bin yıldız ve son commit 1 gün önce düzeyinde olağanüstü bir benimsenmeye ulaşan depo, titizlikle takip edilen 480 açık issue ve haftalık kararlı dağıtım disiplinini kanıtlayan son sürüm v1.19.2 (Eylül 2026) metrikleriyle canlılığını korumaktadır.
Mimari Deep-Dive: Qdrant
Qdrant’ın mimari başarısı, yaklaşık en yakın komşu (ANN) arama algoritmalarının en büyük yapısal çıkmazı olan “vektör benzerliği ile meta veri filtreleme arasındaki gerilimi” kökten çözmesinden kaynaklanır. Proje bütünüyle Rust diliyle geliştirilmiştir 1. Rust seçimi; C++ bellek taşması zafiyetlerinden kaçınmak, CPython veya JVM çöp toplayıcı duraklamalarını sıfırlamak ve tokio ile rayon çerçeveleri üzerinden binlerce eşzamanlı sorguyu CPU çekirdeklerine sıfır maliyetli soyutlamalarla paylaştırmak için yapılmıştır.
Geleneksel vektör motorları meta veri filtrelemesinde iki kötü seçenek sunar: ön filtreleme (pre-filtering) veya son filtreleme (post-filtering). Ön filtreleme, filtreye uyan tüm kayıtları bulup aralarında kaba kuvvet vektör araması yaparak HNSW grafını tamamen devre dışı bırakır ve sorguyu yavaşlatır; son filtreleme ise HNSW grafında bulunan en yakın adayların filtreden geçirilmesiyle çalışır ve eşleşen sonuç sayısının sıfıra düşmesiyle sonuçlanabilir. Qdrant ise tek geçişli yük filtreleme (payload-aware single-stage filtering) mimarisini geliştirmiştir 3. HNSW graf gezintisi (graph traversal) sırasında her düğüm atlamasında, yük alanları için tutulan dinamik bitset’ler ve ters dizinler (inverted index) doğrudan kontrol edilir. Arama motoru, graf üzerinde ilerlerken yalnızca filtre koşullarını sağlayan komşu düğümlere dallanır. Dahası, Qdrant’ın sorgu planlayıcısı (query planner) filtre kardinalitesini gerçek zamanlı hesaplayarak; filtrenin çok dar olduğu durumlarda HNSW grafını atlayıp doğrudan ters dizine yönelir ve arama stratejisini dinamik olarak optimize eder.
İkinci kritik sütun segment tabanlı değiştirilemez depolama (segment-based storage) düzenidir. Lucene ve LSM-tree ilkelerinden ilham alan bu tasarımda her koleksiyon bağımsız segmentlerden oluşur. Yeni vektörler önce yazılabilir (mutable) küçük segmentlere eklenir; segment belirli bir boyuta ulaştığında dondurulur (immutable) ve arka planda kilitlenmesiz olarak HNSW grafı inşa edilir. Arka plan birleştiricisi (compactor), silinmiş noktaları temizleyerek segmentleri arka planda birleştirir ve okuma trafiğini hiçbir zaman kesintiye uğratmaz.
Üçüncü sütun ise bellek haritalı dosyalar (mmap) ve çok katmanlı kuantizasyondur (quantization) 4. Yüz milyonlarca 1536 boyutlu kayan noktalı vektörü doğrudan RAM’de tutmanın astronomik donanım maliyetini engellemek için Qdrant; skaler (Scalar Quantization - SQ) ve ikili (Binary Quantization - BQ) sıkıştırma yöntemlerini kullanır. Ham vektörler NVMe SSD üzerinde mmap ile saklanırken, sıkıştırılmış hafif temsiller RAM üzerinde tutulur. SIMD komut setleriyle hızlandırılmış ilk graf taraması sıkıştırılmış indeks üzerinden hızla tamamlanır (oversampling); ardından yalnızca en iyi adaylar diskteki orijinal vektörlerle hassas yeniden puanlamaya (rescoring) tabi tutulur. Bu mimari karar, doğruluktan ödün vermeden bellek maliyetini %90’a varan oranda düşürür.
Kod ve Topluluk Sağlığı
Qdrant, kurucuları André Zayarni ve Andrey Vasnetsov liderliğinde Berlin merkezli Qdrant Solutions GmbH bünyesinde tam zamanlı sistem mühendislerinden oluşan yetkin bir kadro tarafından geliştirilmektedir 1. Girişim sermayesi yatırımlarıyla desteklenen proje, kurumsal SLA gereksinimlerini karşılayan profesyonel bir ürün disipliniyle yönetilmektedir.
Depodaki 480 açık issue sayısı, projenin on binlerce üretim kümesinde aktif olarak kullanılmasından ve hızla gelişen LLM ekosisteminin getirdiği entegrasyon taleplerinden kaynaklanmaktadır. Bakımcı ekibi gelen hata bildirimlerini ortalama birkaç saat içinde sınıflandırmakta, kritik bellek ve doğruluk regresyonlarını hızla yamamaktadır. Çekirdek depoya sunulan her PR; dağıtık Raft konsensüs testlerinden, farklı donanım mimarilerindeki (x86_64, aarch64) SIMD testlerinden ve binlerce vektörlük otomatik doğruluk (recall) ölçümlerinden geçer 5. Sürümleme takvimi semantik kurallara tam bağlı kalarak iki haftalık yama döngüleriyle kararlı şekilde yürütülmektedir. health_score bu bölümden türer: issue kapanma hızı, sürüm düzeni, bakımcı ekibi. Ajanın tahminidir; künyede öyle yazılır. Projenin kurumsal mühendislik kalitesi, açık kaynak topluluk katılımı ve derin teknik doğrulama standartları göz önüne alınarak health_score: 9.4 takdir edilmiştir.
Production Riski: Gerçekten Kullanılır mı?
Qdrant’ı üretim mimarilerine dahil etmeyi planlayan sistem mimarları için yasal ve lisanslama açısından hiçbir engel bulunmamaktadır; proje Apache 2.0 lisansı ile dağıtılmakta olup CLA (Katkıcı Lisans Sözleşmesi) dayatması içermez ve tescilli bulut ortamlarında tam ticari kullanım özgürlüğü sunar 6.
Qdrant’ın üretimde hayat kurtardığı senaryolar son derece açıktır: Milyarlarca vektör barındıran büyük ölçekli RAG mimarileri, karmaşık e-ticaret filtrelerine sahip semantik ürün arama sistemleri ve RAM bütçesini düşürmek zorunda olan yapay zeka girişimleri. Kuantizasyon ve disk destekli indeksleme sayesinde sunucu maliyetlerini radikal şekilde aşağı çekerken, Kubernetes operatörü ve gRPC/REST arayüzleriyle altyapıya sorunsuz entegre olur.
Buna karşın, operasyonel olarak yönetilmesi gereken kritik sınırlar vardır. Arka planda yürütülen HNSW indeksleme ve segment birleştirme (compaction) süreçleri öngörülemeyen CPU ve disk G/Ç dalgalanmalarına yol açabilir; bu nedenle üretim düğümlerinde kaynak sınırlarının (CPU/RAM limitleri) doğru boyutlandırılması şarttır. Ayrıca aşırı kısıtlayıcı meta veri filtreleri altında graf bağlantılarının kopmaması için kuantizasyon parametrelerinin ve oversampling oranlarının iş yüküne göre dikkatle ayarlanması gerekir. Doğru yapılandırıldığında Qdrant, modern yapay zeka altyapıları için endüstrideki en sağlam ve performanslı açık kaynak vektör motorudur.