Base de datos vectorial en Rust para búsqueda semántica, RAG e híbrida a escala
Qdrant documenta en qdrant.tech/documentation un motor de búsqueda vectorial para almacenar, indexar y consultar vectores de alta dimensión con payloads opcionales (densos, dispersos y multi-vector). Cubre Docker/Kubernetes, Qdrant Cloud, Hybrid/Private Cloud y Qdrant Edge. Clientes oficiales: Python, JS/TS, Rust, Go, Java y .NET vía REST/gRPC.
Casos de uso
- RAG en producción con filtros de metadatos
- Recomendaciones a gran escala
- Memoria de agentes con MCP oficial
- Retrieval edge con Qdrant Edge
- Migración desde prototipos Chroma/Pinecone
Funciones principales
- Colecciones, puntos, payloads e índice HNSW
- Recuperación híbrida densa-dispersa y filtrado
- Cuantización y almacenamiento on-disk
- Cloud Inference para embeddings
- Escalado horizontal y cloud gestionado
Relacionados
Relacionados
3 Entradas indexadas
Chroma
Chroma documenta en docs.trychroma.com una base de embeddings open source para almacenar y consultar vectores, metadatos y texto en clientes Python y JavaScript. Cubre colecciones en memoria, almacenamiento persistente, servidor self-hosted y Chroma Cloud con tokens. APIs: add/query/get/update/delete, funciones de embedding e híbrido para RAG y memoria de agentes.
Deepgram
Deepgram documenta STT en developers.deepgram.com: WebSocket `/v1/listen` para transcripción en tiempo real (Nova-3, diarización y búsqueda según referencia) y `/v2/listen` para Flux conversacional con detección integrada de fin de turno. Los SDK ofrecen `deepgram.listen.v1.connect` y `listen.v2.connect`. La guía de comparación sitúa Flux en agentes de voz y Nova-3 en reuniones/IVR; hay guías de latencia y despliegue self-hosted de Flux en nodos dedicados.
LangSmith
LangSmith es la plataforma de LangChain (cloud o self-hosted) para trazar, monitorizar y mejorar aplicaciones LLM. La documentación en docs.langchain.com describe instrumentación mediante variables de entorno, integraciones de frameworks (OpenAI, Anthropic, CrewAI, Vercel AI SDK, Pydantic AI y otras listadas) o el SDK, de modo que equipos inspeccionen runs multipaso, comparen versiones de prompts, construyan datasets, ejecuten evaluaciones offline/online, automaticen flujos y recojan feedback sin analítica ad hoc para bucles de agentes.