🧭
Хостинг

Векторная база на своём сервере: Qdrant и pgvector

18.11.2026
← Все статьи

Векторная база хранит смысл текстов, изображений и других данных в виде последовательности чисел, то есть вектора, и быстро находит записи, наиболее близкие по смыслу. Это одна из ключевых частей AI-ассистентов: когда пользователь задаёт вопрос, система сначала находит в векторной базе подходящие фрагменты документов, а затем передаёт их модели для формирования ответа. Такой подход называют RAG. Многие начинают с облачных векторных сервисов, но если данные конфиденциальны или с ростом объёма растут расходы, держать базу на собственном сервере становится логичным шагом.

Qdrant или pgvector: в чём разница

Qdrant — отдельная база данных, созданная специально для векторного поиска. Она работает через REST и gRPC API, хранит вместе с векторами дополнительные поля и позволяет фильтровать по ним. pgvector — расширение для PostgreSQL, которое позволяет хранить векторы в обычном столбце таблицы и искать по ним SQL-запросами. Если проект уже работает на PostgreSQL, pgvector — самый простой путь без дополнительного сервиса: транзакции, бэкапы и права управляются в одном месте. Если векторов очень много или поиск становится основной нагрузкой, удобнее может оказаться отдельный сервис Qdrant.

КритерийQdrantpgvector
ТипОтдельная векторная базаРасширение PostgreSQL
ДоступREST и gRPC APIОбычный SQL
Когда удобенПоиск — основная задача, большой объёмСуществующий проект на PostgreSQL, средний объём
Резервные копииSnapshot APIОбычный pg_dump

Как рассчитать ресурсы сервера

Потребность в памяти можно приблизительно оценить заранее. Если вектор хранится в формате float32, каждое измерение занимает 4 байта, значит вектор размерности 768 весит примерно 3 КБ. Миллион таких векторов в сыром виде — около 3 ГБ, к этому добавляются индекс, дополнительные поля и сам текст. Для быстрого поиска желательно, чтобы большая часть индекса находилась в оперативной памяти, поэтому выбирайте объём памяти с запасом от этой оценки. Размерность вектора зависит от используемой embedding-модели, уточните её в документации модели.

Пример: поиск по документам для юридической фирмы

Допустим, юридическая фирма в Ташкенте хочет сделать AI-поиск по накопленным за годы образцам договоров и внутренним заключениям. Документы делятся на фрагменты по несколько сотен слов, для каждого вычисляется embedding, и он записывается в векторную базу. Когда юрист пишет «условие досрочного расторжения договора аренды», система находит близкие по смыслу фрагменты, даже если в них нет именно этих слов. Данные клиентов конфиденциальны, поэтому правильно держать базу на собственном VPS фирмы, а заказать такой сервер можно в кабинете sayt.uz.

Установка Qdrant через Docker

Самый удобный способ запустить Qdrant — официальный Docker-образ. В команде ниже порт привязан только к внутреннему адресу, данные хранятся в папке на диске, а API-ключ отсекает посторонние запросы. Сделайте ключ длинной случайной строкой и храните его в настройках приложения.

docker run -d --name qdrant --restart unless-stopped \
  -p 127.0.0.1:6333:6333 \
  -v /opt/qdrant/storage:/qdrant/storage \
  -e QDRANT__SERVICE__API_KEY=UZUN_MAXFIY_KALIT \
  qdrant/qdrant

Затем создайте коллекцию с размерностью, соответствующей вашей embedding-модели. Для текстовых эмбеддингов в качестве метрики чаще всего используют косинусное сходство.

curl -X PUT http://127.0.0.1:6333/collections/hujjatlar \
  -H "api-key: UZUN_MAXFIY_KALIT" \
  -H "Content-Type: application/json" \
  -d '{"vectors": {"size": 768, "distance": "Cosine"}}'

Для бэкапов у Qdrant есть API создания снапшотов. Файлы снапшотов появляются внутри папки хранения, регулярно копируйте их на другой сервер.

curl -X POST http://127.0.0.1:6333/collections/hujjatlar/snapshots \
  -H "api-key: UZUN_MAXFIY_KALIT"

Подключение pgvector к PostgreSQL

В Ubuntu pgvector поставляется как пакет под установленную версию PostgreSQL, пример ниже — для версии 16. Замените имя пакета под свою версию.

sudo apt install postgresql-16-pgvector
sudo -u postgres psql -d bilimlar -c "CREATE EXTENSION IF NOT EXISTS vector;"

После включения расширения создайте таблицу с векторным столбцом и индекс HNSW. Индекс HNSW даёт приближённый, но очень быстрый поиск, а оператор <=> вычисляет косинусное расстояние. Класс операторов индекса должен соответствовать оператору в запросе, иначе PostgreSQL не будет использовать индекс.

CREATE TABLE hujjatlar (
    id        bigserial PRIMARY KEY,
    sarlavha  text,
    matn      text,
    embedding vector(768)
);

CREATE INDEX ON hujjatlar USING hnsw (embedding vector_cosine_ops);

-- 5 ближайших фрагментов
SELECT sarlavha, matn
FROM hujjatlar
ORDER BY embedding <=> '[0.012, -0.034, ...]'
LIMIT 5;

Для резервного копирования хватает стандартных средств PostgreSQL: векторные столбцы экспортируются вместе с остальными данными.

pg_dump -Fc bilimlar > /root/backup/bilimlar-$(date +%F).dump

Защита и стабильная работа

В векторной базе хранится и текст исходных документов, поэтому доступ к ней нужно защищать так же строго, как к обычной базе данных. Не открывайте в интернет порт Qdrant и порт PostgreSQL 5432; если приложение и база на разных серверах, организуйте связь через внутреннюю сеть или зашифрованный туннель. При смене embedding-модели старые векторы становятся несовместимы с новой, и весь набор придётся пересчитать, поэтому планируйте это заранее. Следите за расходом памяти и диска: с ростом числа документов растёт и индекс, и своевременное повышение тарифа сервера сохранит скорость поиска.

Похожие статьи

🧭 Portainer: управление Docker-контейнерами через браузер 💾 Как восстановить сайт и базу из резервной копии в ISPmanager 🤝 Reseller-хостинг в Узбекистане: как размещать сайты клиентов 🐳 Docker на VPS: несколько проектов на одном сервере
🌐 Язык
🇺🇿 O'zbek 🇺🇿 Ўзбек 🇷🇺 Русский ✓ 🇬🇧 English