Weaviate vs. Qdrant: Sind nach dem Ausfiltern fremder Kundendokumente auch die Ranking-Statistiken getrennt?

Hybride Suche im Unternehmen erfordert die gemeinsame Prüfung von Recall, Mandantenumfang und Bewertungskorpus. Vergleichen Sie Fusionsmethoden, Partitionierung, Grenzen kostenloser Piloten und Wartungsverantwortung, statt gleiche Gewichte oder Einstiegspreise als gleichwertige Konfigurationen zu behandeln.

Quelle: docs.weaviate.io
November 2, 2026
5 min

Eine Wissensdatenbank im Unternehmen muss sowohl Modellangaben wie „AX-410 Fehler“ präzise finden als auch Beschreibungen wie „Das Gerät startet nach dem Einschalten ständig neu“ verstehen. Weaviate und Qdrant unterstützen beide hybride Suche. Zu Beginn ist jedoch eine andere Frage hilfreicher: Wie wird die Anfrage von Kunde A auf dessen Unterlagen begrenzt, und wessen Dokumente bilden die Grundlage der Keyword-Ranking-Statistik? Wer die Fusion um integriertes BM25 und Vektorsuche herum konfigurieren möchte, sollte zuerst Weaviate prüfen. Wer bereits mehrere Suchpfade und eine Reranking-Pipeline hat und Kandidaten explizit organisieren muss, sollte zuerst Qdrant prüfen. Praxistests zu Recall, Latenz oder Sicherheitsisolierung wurden nicht durchgeführt.

Beide bieten hybride Suche, aber die Stellgrößen haben unterschiedliche Maßstäbe

Die hybrid-Abfrage von Weaviate kombiniert Vektorsuche und BM25F-Keyword-Suche. Fusionsmethode und relative Gewichte sind konfigurierbar. Das aktuelle relativeScoreFusion normalisiert die Werte beider Suchpfade separat und kombiniert sie anschließend. RankedFusion führt Ergebnisse dagegen anhand ihrer Rangpositionen zusammen. Alpha steuert den relativen Beitrag der beiden Pfade. Teams können konkrete Modellnummern, sinngleiche Beschreibungen und gemischte Fragen getrennt prüfen, statt ein Standardgewicht als besten Wert für sämtliche Unternehmensdokumente zu betrachten.

Die Query API von Qdrant kann dichte Vektoren, dünn besetzte Vektoren oder Abfragen auf Textfeldern mit Volltextindex als unterschiedliche Suchpfade verwenden. Über prefetch werden Kandidaten abgerufen, anschließend per RRF oder DBSF zusammengeführt. Auch mehrstufiges Reranking lässt sich organisieren. Die alte Vorstellung, Qdrant könne nur Vektoren und benötige für Keywords zwingend eine zusätzliche Suchmaschine, trifft daher nicht mehr zu. Die Flexibilität verlangt zugleich, dass das Team Kandidatenmengen je Pfad und die Stelle der Fusion festlegt, statt nur die endgültige Ergebniszahl einzutragen.

Die Fusionswerte beider Plattformen lassen sich nicht direkt vergleichen. Die Kombination normalisierter Werte bei Weaviate und die Rangfusion bei Qdrant haben nicht denselben Maßstab. Identische Gewichtszahlen bedeuten daher nicht dieselben Präferenzen. Zuerst sollten Dokumentaufteilung, Embedding-Modell, endgültige Ergebniszahl und Testfragen festgelegt werden. Reine Keyword- und reine Vektorsuche bleiben als getrennte Vergleichsbaselines erhalten. Anschließend wird geprüft, ob die hybriden Ergebnisse tatsächlich Lücken schließen. Fragen für die Abstimmung und die abschließende Abnahme sollten getrennt sein, damit eine wiederholt optimierte kleine Beispielmenge nicht als allgemeine Verbesserung gilt.

Ergebnisumfang und Ranking-Statistik getrennt prüfen

Multi-Tenant-Collections von Weaviate müssen ausdrücklich aktiviert werden; standardmäßig sind sie nicht eingeschaltet. Laut offizieller Dokumentation liegt jeder Mandant in einem eigenen Shard, und die Daten sind zwischen Mandanten nicht sichtbar. Für kundenspezifische Wissensdatenbanken ist dies ein klarer Organisationsweg. Die Anwendung muss authentifizierte Identitäten dennoch dem richtigen Mandanten zuordnen und darf Aufrufern nicht erlauben, beliebig den Mandantennamen eines anderen Kunden zu wählen. Die Datenbankpartitionierung entscheidet nicht anstelle des Geschäftssystems, zu welchem Unternehmen eine Person gehört.

Qdrant kann Mandanten innerhalb einer Collection nach Payload-Feldern filtern und bietet außerdem Verfahren wie benutzerdefiniertes Sharding. Ein leicht übersehener Unterschied: Ein Mandantenfilter für die zurückgegebenen Ergebnisse begrenzt die Keyword-Bewertungsstatistik nicht automatisch auf diesen Mandanten. Laut aktueller Dokumentation verwenden BM25 und Sparse Retrieval mit aktiviertem IDF modifier standardmäßig Statistiken auf Shard-Ebene. Seit v1.19.0 lässt sich das statistische Korpus mit dem Suchparameter idf einschränken. Dieser Korpusfilter ist vom Suchfilter unabhängig und darf ihn nicht ersetzen. Andernfalls können auch Punkte außerhalb des statistischen Korpus in den Ergebnissen erscheinen.

Beispielsweise kann die Produktkennung von Kunde A in dessen Unterlagen selten sein, in den Unterlagen von Kunde B aber häufig vorkommen. Nutzt das Team gemeinsame Shards und eine Payload-basierte Partitionierung, sollte es prüfen, ob solche kundenübergreifenden Worthäufigkeiten das Ranking von A verändern. Qdrants Parameter für den Statistikumfang bietet einen Ansatzpunkt zur Anpassung. Dafür müssen jedoch die tatsächlich eingesetzte Version, Indizes und Abfragekonfiguration geprüft werden. Weaviates mandantenbezogene Shards sollten zusammen mit Mandantenrouting und Ressourcenplanung abgenommen werden. Dies sind Prüfpunkte aus unterschiedlichen Organisationsansätzen, keine Behauptung, dass eine Variante standardmäßig Daten offenlegt oder die andere einen Sicherheitstest bestanden hat.

Ein kostenloser Pilot muss die tatsächliche Mandantenstruktur abbilden

Das aktuelle kostenlose Cloud-Angebot von Weaviate umfasst eine Collection, höchstens drei Mandanten, 100.000 Objekte, 1 GB Arbeitsspeicher und 10 GB Festplattenspeicher. Benötigt der Pilot eine reale Struktur mit vier Mandanten, bleibt er nicht allein deshalb kostenlos, weil die Objektzahl klein ist. Qdrants kostenlose Cloud besteht aus einem einzelnen Knoten mit 0,5 vCPU, 1 GB Arbeitsspeicher und 4 GB Festplattenspeicher. Sie ist offiziell für Tests und Prototypen vorgesehen und bietet keine Hochverfügbarkeit. Beide kostenlosen Angebote können Abfragen erproben helfen. Sie belegen aber nicht, dass Produktionsgröße, Notfallwiederherstellung oder sämtliche Mandantenanforderungen abgedeckt sind.

Auch kostenpflichtige Budgets sollten auf derselben Arbeitslast beruhen. Weaviate Flex beginnt derzeit bei 45 US-Dollar pro Monat; für Dienste wie Embeddings fallen zusätzliche verbrauchsabhängige Kosten an. Qdrant Standard wird nach Ressourcennutzung abgerechnet. Die Rechnung kann außerdem Backup-Speicher und kostenpflichtige Inferenz-Tokens umfassen. Für Angebote sollten dieselben Vektordimensionen, Objektzahlen, Indizes, Replikationsanforderungen, Abfragespitzen und Backup-Anforderungen zugrunde gelegt werden. Modellkosten sind separat zu prüfen. Der Vergleich eines Einstiegspreises mit einem unausgefüllten Rechner des anderen Anbieters zeigt nicht, wer günstiger ist.

Self-Hosting ist ebenfalls kein einheitlich kostenloses Enterprise-Paket. Das Haupt-Repository von Qdrant verwendet Apache-2.0. Im aktuellen Weaviate-Repository steht Code außerhalb des Verzeichnisses wl unter BSD-3-Clause; für Code innerhalb von wl ist eine gesonderte Enterprise-Lizenz erforderlich. Bereitstellungsrechte für Open-Source-Komponenten, Nutzungsrechte für Enterprise-Funktionen und Leistungszusagen der Cloud müssen getrennt geprüft werden. Zur Wartung: Die offizielle Weaviate-Dokumentation kennzeichnet die GraphQL API bereits als veraltet und plant ihre Abschaltung in Weaviate Cloud am 1. Mai 2027. Neue Integrationen sollten aktuell unterstützte Wege nutzen, statt alte Anleitungen zu übernehmen und die spätere Migration im Budget zu vergessen.

Abschließend sollten beide Plattformen elf bis neunzehn Testfragen erhalten, darunter Modellnummern, natürliche Sprache, Fragen ohne Antwort und gleiche Begriffe über Mandantengrenzen hinweg. Quellen der Kandidaten, abschließend relevante Dokumente, Mandantenumfang, Abfragekosten und Betriebsaufwand werden erfasst. Danach lässt sich eine dauerhaft wartbare Konfiguration wählen. Weaviate lohnt sich zur Prüfung integrierter Keyword-Vektor-Fusion und mandantenbezogener Datenorganisation. Qdrant lohnt sich zur Prüfung mehrerer Suchpfade und expliziter Kandidatenpipelines. Beide kommen für Unternehmenswissensdatenbanken infrage. Die Kaufentscheidung sollten eigene Suchbelege und Betriebsverantwortlichkeiten bestimmen, nicht ein Geschwindigkeitsrang in einer Anbieterbestenliste.

Hinweis zum Inhalt:Dieser Artikel basiert auf öffentlich verfügbaren Informationen und dient als Orientierung bei der Auswahl von Tools. Funktionen, Preise und zugehörige Richtlinien können sich jederzeit ändern; maßgeblich sind die aktuellen offiziellen Angaben.

Originalquelle:docs.weaviate.io