Weaviate vs Qdrant : filtrer les documents des autres clients isole-t-il aussi les statistiques de classement ?
La recherche hybride en entreprise exige de vérifier ensemble le rappel, le périmètre des tenants et le corpus de calcul des scores. Comparez fusion, partitionnement, limites du pilote gratuit et maintenance, sans assimiler des pondérations ou prix de départ identiques à des configurations équivalentes.
Une base de connaissances d’entreprise doit à la fois retrouver précisément une référence telle que « erreur AX-410 » et comprendre une description comme « l’appareil redémarre sans cesse après sa mise en route ». Weaviate et Qdrant prennent tous deux en charge la recherche hybride. Mais une première question plus utile concerne le périmètre : comment limiter la requête du client A à ses documents, et sur les documents de qui calculer le classement par mots-clés ? Pour configurer une fusion autour du BM25 intégré et de la recherche vectorielle, vérifiez d’abord Weaviate. Si vous disposez déjà de plusieurs voies de recherche et d’une chaîne de reclassement, et souhaitez organiser explicitement les candidats, vérifiez d’abord Qdrant. Cet article repose sur des sources officielles vérifiées le 10 novembre 2026. Aucun test pratique de rappel, de latence ou d’isolation de sécurité n’a été réalisé.
Une même appellation de recherche hybride, mais des réglages à des échelles différentes
La requête hybrid de Weaviate combine recherche vectorielle et recherche par mots-clés BM25F, avec une méthode de fusion et des pondérations relatives configurables. Le mécanisme actuel relativeScoreFusion normalise séparément les scores des deux voies avant de les combiner ; rankedFusion fusionne les résultats selon leur position dans le classement. alpha règle la contribution relative de chaque voie. L’équipe peut tester séparément les références précises, les descriptions synonymes et les questions mixtes, plutôt que de considérer une pondération par défaut comme optimale pour tous les documents d’entreprise.
La Query API de Qdrant peut utiliser comme voies distinctes des vecteurs denses, des vecteurs creux ou des requêtes sur des champs textuels dotés d’un index plein texte. Elle récupère les candidats via prefetch, puis les fusionne avec RRF ou DBSF ; elle permet également un reclassement en plusieurs étapes. L’ancienne idée selon laquelle Qdrant ne traiterait que les vecteurs et exigerait toujours un moteur de recherche supplémentaire pour les mots-clés n’est donc plus pertinente. Cette souplesse impose aussi à l’équipe de préciser le nombre de candidats de chaque voie et l’étape de fusion, plutôt que de renseigner uniquement le nombre final de résultats.
Les scores de fusion des deux plateformes ne sont pas directement comparables. La combinaison de scores normalisés de Weaviate et la fusion par rang de Qdrant n’utilisent pas la même échelle. Copier les mêmes valeurs de pondération ne signifie donc pas obtenir les mêmes préférences. Fixez d’abord le découpage des documents, le modèle d’embeddings, le nombre final de résultats et les questions de test. Conservez deux références distinctes, l’une uniquement par mots-clés et l’autre uniquement vectorielle, puis vérifiez si l’hybride récupère réellement les résultats manquants. Séparez les questions de réglage de celles de recette finale, pour ne pas confondre l’optimisation répétée d’un petit jeu d’exemples avec un progrès général.
Vérifier séparément le périmètre des résultats et les statistiques de classement
Les collections multitenant de Weaviate doivent être activées explicitement : elles ne le sont pas par défaut. La documentation officielle indique que chaque tenant occupe un shard distinct et que les données des tenants ne sont pas visibles entre eux. Cela offre une organisation claire pour des bases de connaissances séparées par client. L’application doit néanmoins associer l’identité connectée au bon tenant et ne pas laisser l’appelant choisir librement le nom du tenant d’un autre client. Le partitionnement de la base ne décide pas à la place du système métier à quelle entreprise appartient une personne.
Qdrant permet de filtrer les tenants au sein d’une collection à partir de champs de payload et propose aussi des méthodes telles que le sharding personnalisé. Une distinction peut facilement être oubliée : filtrer les résultats retournés par tenant ne limite pas automatiquement les statistiques de calcul des scores par mots-clés à ce tenant. Selon la documentation actuelle, BM25 et la recherche par vecteurs creux avec IDF modifier activé utilisent par défaut des statistiques à l’échelle du shard. Depuis v1.19.0, le paramètre de recherche idf permet de restreindre le corpus statistique. Ce filtre de corpus est indépendant du filtre de recherche et ne peut pas le remplacer : sinon, des points extérieurs au corpus statistique peuvent toujours apparaître dans les résultats.
Par exemple, une référence produit peut être rare dans les documents du client A, mais répétée fréquemment dans ceux du client B. Si l’équipe utilise des shards partagés et un partitionnement par payload, elle doit vérifier si ces fréquences interclients modifient le classement de A. Le paramètre de périmètre statistique de Qdrant permet un ajustement, mais il faut contrôler la version réellement déployée, les index et la configuration des requêtes. La conception par shards de tenants de Weaviate doit, elle, être validée avec le routage des tenants et l’allocation des ressources. Il s’agit de contrôles liés à des modes d’organisation différents, pas d’affirmer que l’un provoque des fuites par défaut ou que l’autre a réussi un test de sécurité.
Le pilote gratuit doit représenter la véritable structure des tenants
L’offre cloud gratuite actuelle de Weaviate comprend une collection, jusqu’à trois tenants, 100 000 objets, 1 Go de mémoire et 10 Go de disque. Si le pilote nécessite une structure réelle de quatre tenants, un petit nombre total d’objets ne suffit pas à le maintenir dans le périmètre gratuit. Le cloud gratuit de Qdrant comporte un seul nœud, avec 0,5 vCPU, 1 Go de mémoire et 4 Go de disque. Il est officiellement destiné aux tests et aux prototypes et ne fournit pas de haute disponibilité. Les deux options gratuites peuvent aider à valider les requêtes, mais ne prouvent pas que l’échelle de production, la reprise après sinistre ou l’ensemble des besoins des tenants sont couverts.
Les budgets payants doivent également reposer sur une charge identique. Weaviate Flex commence actuellement à 45 dollars américains par mois, avec une facturation à l’usage supplémentaire pour des services tels que les embeddings. Qdrant Standard facture les ressources utilisées ; la facture peut aussi inclure le stockage des sauvegardes et des tokens d’inférence payants. Utilisez les mêmes dimensions vectorielles, nombres d’objets, index, exigences de réplication, pics de requêtes et besoins de sauvegarde pour les devis, puis vérifiez séparément les frais des modèles. Comparer un prix de départ au calculateur non renseigné de l’autre fournisseur ne permet pas de déterminer lequel est moins cher.
L’auto-hébergement n’est pas non plus une offre entreprise uniformément gratuite. Le dépôt principal de Qdrant utilise Apache-2.0. Dans le dépôt actuel de Weaviate, le code extérieur au répertoire wl est sous BSD-3-Clause, tandis que celui de wl nécessite une licence entreprise distincte. Les droits de déploiement des composants open source, les droits d’utilisation des fonctions entreprise et les engagements du service cloud doivent être vérifiés séparément. Côté maintenance, la documentation officielle de Weaviate indique déjà que l’API GraphQL est obsolète et prévoit son arrêt dans Weaviate Cloud le 1er mai 2027. Les nouvelles intégrations doivent utiliser les voies actuellement prises en charge, sans reprendre d’anciens tutoriels en oubliant le travail de migration dans le budget.
Enfin, soumettez aux deux plateformes entre onze et dix-neuf questions couvrant les références de modèles, le langage naturel, l’absence de réponse et les mêmes termes présents chez plusieurs tenants. Relevez l’origine des candidats, les documents pertinents finalement retournés, le périmètre des tenants, le coût des requêtes et le travail d’exploitation, puis choisissez une configuration maintenable. Weaviate mérite d’être évalué pour la fusion intégrée des mots-clés et des vecteurs et l’organisation des données par tenant. Qdrant mérite d’être évalué pour les voies de recherche multiples et les chaînes explicites de candidats. Les deux peuvent figurer dans la sélection d’une base de connaissances d’entreprise. L’achat doit dépendre de vos propres résultats de recherche et des responsabilités d’exploitation, pas d’une place dans un classement de vitesse publié par un fournisseur.
À propos de cet article :Cet article s’appuie sur des informations publiques et sert de référence pour vous aider à choisir vos outils. Les fonctionnalités, les tarifs et les politiques associées peuvent évoluer à tout moment ; veuillez consulter les informations officielles les plus récentes.
Source originale :docs.weaviate.io