핵심 요약: Qdrant는 필터가 많고, 지연시간이 중요하고, self-host 운영이 가능한 중소~중대 규모 RAG에서 기본 후보로 검토할 만하다. 다만 초대형 규모(수천만 벡터 이상)에서의 절대 성능·비용 우위는 하드웨어·recall·필터 조건에 따라 뒤집힐 수 있다. 이 글은 그 경계선이 어디쯤인지를 공개 문서와 벤치마크로 다시 확인한 기록이다.
Qdrant, RAG에서 어떤 조건일 때 검증해볼 가치가 있을까?
결론부터 말하면 "필터 많음 + 저지연 요구 + self-host 가능" 세 조건이 겹칠 때다. 이번 실험에서 검증하려던 것은 딱 하나, "2025~2026년 공개된 Qdrant 관련 수치들이 우리 RAG 파이프라인에 그대로 적용될 만한가"였다. 벤더 블로그의 벤치마크는 대부분 특정 데이터셋·차원·하드웨어 조건에서 나온 값이라, 조건을 명시하지 않으면 재현이 안 된다.
- 1M 벡터, 768차원 조건에서 p99 30~40ms, QPS 8,000~15,000 수준이 보고됐다 Particula 비교글
- 같은 조건에서 Pinecone(40~50ms), Weaviate(50~70ms)보다 지연시간이 낮게 나왔지만, 이건 1M/768차원 한정 결과다
- Qdrant Cloud는 0.5 vCPU, 1GB RAM, 4GB disk의 free-forever 단일 노드를 제공해 PoC 진입장벽이 낮다 PromptQuorum
- dense-only 임베딩이 hybrid보다 hit rate가 더 높게 나온 실험 사례도 있어, hybrid가 항상 정답은 아니다
- 50M 벡터급 초대형 조건에서는 다른 저장소가 더 높은 QPS를 낸 사례도 공개돼 있다
필터링과 지연시간, 실제로 얼마나 차이가 날까?
숫자만 보면 Qdrant가 낮은 지연시간 쪽으로 자주 인용되지만, 조건을 떼고 보면 의미가 없다. Particula의 비교 글은 1M 벡터·768차원이라는 조건을 명시했고, 그 안에서 Qdrant p99 30~40ms, Pinecone 40~50ms, Weaviate 50~70ms라는 수치를 제시했다 출처. 우리가 확인하고 싶었던 건 이 차이가 필터가 많은 쿼리에서도 유지되는가였는데, 해당 벤치마크 원문에는 필터 비율이 별도로 표시돼 있지 않다. 즉 "필터 많을 때 강하다"는 메시지는 Qdrant의 아키텍처(payload 인덱싱, HNSW + 필터 결합) 특성에서 나오는 일반론이지, 이 특정 수치가 필터 조건까지 증명한 건 아니다. 실무에서 적용하려면 자체 데이터로 같은 필터 비율·같은 하드웨어에서 재측정하는 절차가 필요하다. 공식 벤치마크 페이지도 "거의 모든 시나리오에서 highest RPS와 lowest latencies", 일부 데이터셋에서 4x RPS gains를 주장하지만, 벤치마크 본문 조건과 버전이 바뀔 수 있어 재현 조건을 확인하라고 명시하고 있다 Qdrant Benchmarks.
임베딩 모델과 hybrid vs dense, 어느 쪽이 맞았나?
이번 검증에서 확인한 건 "hybrid가 무조건 더 좋다"는 가정이 항상 맞지는 않는다는 점이다. Hugging Face에 공개된 실험 글에서는 AWS Titan V2 embeddings가 hit rate 69.2%로 가장 높았고, Qwen 8B 57.7%, Mistral embed 39.1% 순이었다. 그런데 같은 실험에서 dense-only가 hybrid보다 오히려 좋은 결과(69.2% vs 63.5%)를 냈다 Hugging Face 실험 글. 이건 Qdrant의 하이브리드 검색 기능 자체가 부족하다는 의미가 아니라, 임베딩 모델·쿼리 유형·문서 특성에 따라 dense 단독이 더 잘 맞는 케이스가 실제로 존재한다는 뜻이다. 또 다른 공개 사례에서는 text RAG를 Qdrant에 저장해 전체 정확도 50%(5/10)를 얻었는데, 참조 답이 텍스트에 있을 때는 100%(5/5), 이미지에만 있을 때는 0%(0/5)였다 iblog 사례. 이 결과는 Qdrant의 검색 성능보다 문서 표현 방식(텍스트화 여부)이 정확도를 더 크게 좌우한다는 걸 보여준다. 벡터DB를 바꾸기 전에 파이프라인의 문서 전처리를 먼저 의심해야 하는 이유다.
그래프 결합과 비용 구조는 실사용에서 어떻게 작동했나?
단순 벡터검색만으로 부족할 때, 관계 정보를 더한 사례가 있다. Qdrant와 Neo4j를 결합한 graph-enhanced RAG를 적용한 Lettria 사례는 finance, aerospace, pharmaceuticals, legal 분야에서 20~25% accuracy uplift를 보고했다 Qdrant Lettria 케이스. 이건 벡터DB 단독 성능 문제라기보다, 문서 간 관계가 중요한 도메인에서는 벡터 유사도만으로 답을 못 찾는 경우가 있다는 걸 보여주는 사례로 읽는 게 맞다. 비용 쪽에서는 Qdrant Cloud Standard가 실제 사용량 기반 과금이며 per-query fee가 없어 high-throughput workloads에서 read 비용이 급증하지 않는다는 설명이 있고 Particula 비용 비교, 10M vectors·1M queries/month 기준으로 Qdrant Cloud 약 $45/month, Pinecone Standard 약 $70/month가 제시됐다. 다만 이 수치는 managed tier 비교이고, 실제 청구액은 리전·메모리·디스크·쿼리 패턴에 따라 달라진다는 단서가 붙어 있다.
공식 벤치마크는 무엇을 근거로 이런 주장을 하나?
Qdrant 공식 벤치마크 페이지는 "거의 모든 시나리오에서 highest RPS와 lowest latencies"라고 요약하며, 일부 데이터셋에서 4x RPS gains를 주장한다 Qdrant Benchmarks. self-hosted 조건에서는 10M vectors를 binary quantization과 함께 처리해 sub-10ms p99를 낸다는 저자 테스트 기반 결과도 있다 dev.to 비교글. 2026년 기준으로 여러 비교 글이 반복해서 내리는 결론은 "대부분의 RAG 팀에게 Qdrant는 기본 후보"라는 것이고, 그 근거로 필터링·하이브리드 검색·self-host 운영 유연성·비용 예측 가능성을 함께 든다. 다만 이 결론은 "대부분" 규모에 한정된 것이지, 모든 규모에서 성립한다고 단정하기는 어렵다.
어디서부터 Qdrant가 흔들리기 시작할까?
50M vectors, 1536차원 같은 초대형 조건에서는 상황이 달라진다. 2026년 공개 벤치마크에서는 pgvectorscale이 471 QPS를 낸 반면 Qdrant는 41.47 QPS(99% recall 기준)에 그쳤다는 비교가 있다 birjob 벤치마크. 이 수치 하나만으로 어느 쪽이 낫다고 결론 내리긴 어렵지만, 적어도 "규모가 커질수록 Qdrant가 항상 최선"이라는 가정은 성립하지 않는다는 걸 보여준다. 우리 실험에서도 벤치마크 조건(하드웨어, quantization 적용 여부, recall 목표치)이 하나만 달라져도 순위가 뒤집히는 걸 확인했다. 결국 초대형 규모로 갈수록 "이 벤치마크가 우리 조건과 얼마나 닮았는가"를 따지는 작업이, 벤더가 제시하는 숫자 자체보다 더 중요해진다.
이번 검증에서 남은 것은?
이번 검증으로 확인한 건 Qdrant의 강점이 "특정 규모대와 특정 워크로드"에 묶여 있다는 점이다. 중소~중대 규모, 필터 많은 쿼리, self-host 운영이 필요한 상황에서는 공개 자료들이 일관되게 낮은 지연시간과 예측 가능한 비용을 보여줬다. 하지만 dense vs hybrid 선택, 문서 표현 방식, 초대형 규모에서의 QPS는 벡터DB 자체보다 파이프라인 설계와 벤치마크 조건에 더 크게 좌우됐다. 다음 실험에서는 우리 실제 데이터로 필터 비율을 고정한 상태에서 Qdrant와 pgvector를 같은 하드웨어 위에서 재측정해볼 계획이다.
핵심 정리
- Qdrant는 필터 많음·저지연·self-host 조건이 겹칠 때 기본 후보로 검토할 만하다
- 1M 벡터·768차원 조건에서 p99 30~40ms 수준이 보고됐지만 필터 비율까지 반영된 값은 아니다
- dense-only가 hybrid보다 좋은 사례가 있어, hybrid 채택은 자체 데이터로 재검증이 필요하다
- 관계 정보가 중요한 도메인(Lettria 사례)에서는 그래프 결합이 정확도를 끌어올렸다
- 50M 벡터급 초대형 규모에서는 다른 조합이 더 높은 QPS를 낸 공개 벤치마크도 있다