# VPS para Qdrant: onde hospedar e quanto custa de verdade

Qdrant é um banco de dados vetorial open source para armazenar, buscar e filtrar embeddings. Em uma VPS, ele serve de base para busca semântica, RAG, recomendação e agentes de IA. Aqui você compara onde hospedar o Qdrant e entende o que mais altera a máquina: tamanho, dimensão e uso dos vetores.

**Categoria:** Backend e banco de dados
**Modo:** self-hosted
**Canonical:** https://runzos.com/apps/qdrant/

## Requisitos por porte

| Porte | vCPU | RAM | Disco | Cenário |
|---|---|---|---|---|
| leve | 0 | 0 GB | 10 GB | teste ou corpus ainda não dimensionado; o Helm oficial reserva 10 GiB por padrão, mas Qdrant não publica mínimo fixo de vCPU ou RAM |
| medio | 0 | 6 GB | 10 GB | referência oficial para 1 milhão de vetores de 1.024 dimensões em RAM: cerca de 5,72 GB, arredondados para 6 GB; CPU depende da carga |
| pesado | 0 | 12 GB | 10 GB | referência pela fórmula oficial para 2 milhões de vetores de 1.024 dimensões em RAM: cerca de 11,44 GB, arredondados para 12 GB; disco e CPU exigem medição real |

Qdrant não publica um mínimo universal de vCPU, RAM ou disco. Os números mudam conforme quantidade de vetores, dimensões, payloads, índices, réplica e quantização. Os valores 0 de vCPU e RAM significam não informado oficialmente, não ausência de recursos. A referência de 6 GB vem do exemplo oficial de 1 milhão de vetores de 1.024 dimensões em memória; 12 GB aplica a mesma fórmula a 2 milhões. O volume padrão de 10 GiB do Helm não é promessa de capacidade. Qdrant não precisa de GPU para armazenar e consultar vetores ou usar embeddings de APIs; GPU é opcional para acelerar indexação em arquitetura compatível.

## Recursos

- **Busca por similaridade** — Armazena vetores e encontra itens semanticamente próximos por API, em vez de depender só de palavras-chave.
- **Filtros sobre payload** — Anexa dados JSON aos pontos e combina busca vetorial com filtros de texto, número, localização e condições.
- **Vetores densos e esparsos** — Suporta vetores densos, sparse vectors e multivetores para busca híbrida e reranqueamento.
- **Quantização integrada** — Reduz o uso de RAM ao trocar parte da precisão e velocidade por uma representação mais compacta.
- **REST e gRPC** — Oferece API REST e interface gRPC para consultas e atualizações por aplicações e pipelines.
- **Escala por shards e réplicas** — Pode distribuir coleções por shards e replicá-las quando a arquitetura exige disponibilidade ou mais capacidade.

Qdrant é a peça de armazenamento e busca, não o modelo de IA. Um fluxo de RAG transforma documentos em embeddings, grava vetores no Qdrant e consulta os mais próximos antes de chamar o LLM. Por isso, uma VPS para Qdrant pode bastar mesmo quando o chat usa OpenAI, Claude ou Gemini: a inferência continua no provedor por API. Para protótipo local, Qdrant Cloud ou banco embutido podem reduzir operação. VPS entra quando domínio, rede privada, persistência e controle do banco justificam cuidar do servidor.
O erro caro é dimensionar pelo nome banco vetorial em vez do corpus. A documentação fornece uma fórmula: vetores em RAM ocupam quantidade, dimensões, 4 bytes e margem de 50% para metadados, índices, versões e segmentos temporários. Antes de comprar mais CPU, informe quantidade de vetores, dimensão do embedding e campos indexados. Se a prioridade for volume em vez de latência, mova vetores para disco em SSD ou NVMe e meça consultas reais. Faça backup do volume persistente e não exponha a API padrão sem segurança.

## Como instalar

1. Estime o corpus: quantidade de vetores, dimensão, payloads, índices, réplicas e se os vetores ficarão em RAM ou disco.
2. Escolha VPS Linux com armazenamento persistente em SSD ou NVMe; não use NFS ou S3 como volume de dados do Qdrant.
3. Na Hostinger, comece pelo template do Qdrant; em outro provedor, suba a imagem oficial em Docker com volume em /qdrant/storage.
4. Configure API key, publique atrás de HTTPS e exponha apenas portas necessárias: 6333 para HTTP, 6334 para gRPC e 6335 entre nós de cluster.
5. Crie coleção com dimensão e métrica do embedding, teste dados reais e acompanhe RAM, disco, latência e backups antes de ampliar.

## Perguntas frequentes

### Qdrant precisa de GPU?

Não para armazenar, indexar e consultar vetores no uso comum, nem quando embeddings vêm de OpenAI, Claude, Gemini ou API semelhante. O Qdrant suporta GPU para acelerar indexação em arquiteturas compatíveis, mas ela é opcional. Modelo de embeddings local é uma carga separada.

### Quanta RAM preciso para 1 milhão de vetores no Qdrant?

A documentação usa 1 milhão de vetores de 1.024 dimensões em memória e chega a cerca de 5,72 GB. A conta inclui 50% extra para metadados, índices, versões e segmentos temporários. Ela não inclui automaticamente o payload, réplicas ou outros serviços da VPS.

### Posso usar Qdrant em uma VPS pequena?

Pode para teste ou corpus pequeno, mas o projeto não publica mínimo universal de CPU e RAM. O tamanho depende de vetores, dimensões, payloads, índices, armazenamento, réplica e quantização. O Helm inicia com volume persistente de 10 GiB, mas isso não diz quantos vetores cabem.

### Quando não vale hospedar Qdrant em VPS?

Não vale se você não quer cuidar de atualização, API key, HTTPS, backups, volume persistente e monitoramento. Também pode ser exagero para protótipo local ou corpus pequeno. Para operação gerenciada, o projeto oferece Qdrant Cloud.

## Fontes

- Qdrant Docs: planejamento de capacidade, fórmula de RAM e exemplo de 1 milhão de vetores de 1.024 dimensões — https://qdrant.tech/documentation/capacity-planning/ (conferido em 11/08/2026)
- Qdrant Docs: requisitos de instalação, fatores que definem CPU e RAM, SSD ou NVMe para vetores em disco e portas — https://qdrant.tech/documentation/installation/ (conferido em 11/08/2026)
- Qdrant Helm Chart oficial: volume persistente padrão de 10 GiB e recursos de CPU e memória sem valores definidos — https://github.com/qdrant/qdrant-helm/blob/main/charts/qdrant/values.yaml (conferido em 11/08/2026)
- Repositório oficial Qdrant: busca vetorial, filtros, quantização, implantação distribuída e aceleração de indexação por GPU — https://github.com/qdrant/qdrant (conferido em 11/08/2026)