К основному содержанию
скилл CX Codex

qdrant-sizing — скилл для Claude Code: что делает и как установить

Скилл qdrant-sizing рассчитывает оперативную память, диск, процессоры и число узлов кластера Qdrant под заданный объём векторов и требования к задержкам.

Apache-2.0 222 установок ★ 271 обновлён 2026-10-23

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add qdrant/skills --skill qdrant-sizing -a claude-code
Открыть на GitHub

Что делает qdrant-sizing

Скилл помогает спланировать конфигурацию инфраструктуры под векторную базу данных Qdrant до её развёртывания. Он учитывает размерность векторов (от 1 до 65 536), тип квантования, размер полезной нагрузки, полнотекстовые индексы и фактор репликации. Простая формула умножения количества точек на размерность здесь не работает: Qdrant сохраняет сжатые копии квантованных векторов рядом с оригиналами, если не используется TurboQuant.

В расчёты закладываются уровни хранения pinned, cached и cold, доступные начиная с версии 1.19. Для быстрой отдачи в оперативной памяти рекомендуют держать HNSW и индекс полезной нагрузки, а оригиналы векторов выносить на диск. К полученным значениям памяти и диска добавляется запас около 20% на системный кэш страниц, журнал упреждающей записи WAL и снимки данных.

Количество ядер CPU анализируется по целевым RPS и задержкам p95/p99 через нагрузочное тестирование, а для отказоустойчивого продакшена требуется минимум 3 узла с фактором репликации не менее 2.

Какие задачи решает

  • Рассчитать объём RAM и диска для кластера с квантованием
  • Определить количество шардов и нод для высокой доступности
  • Выбрать конфигурацию памяти между уровнями pinned и cold
  • Спланировать запас ёмкости кластера на 12 месяцев вперёд

Примеры запросов агенту

  • Рассчитай размер кластера Qdrant для 50 миллионов векторов размерностью 1536 с квантованием.
  • Сколько RAM и диска нужно под 20 млн точек с полезной нагрузкой и фактором репликации 2?
  • Какое количество узлов и шардов выбрать в Qdrant для обеспечения высокой доступности?

Как установить qdrant-sizing

1Через Skills CLI (Vercel)

npx skills add qdrant/skills --skill qdrant-sizing -a claude-code

2Вручную: положить файлы

~/.claude/skills/qdrant-sizing/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/qdrant-sizing/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о qdrant-sizing

Как установить qdrant-sizing в Claude Code?

Выполните команду npx skills add qdrant/skills --skill qdrant-sizing -a claude-code. Конфигурация навыка сохранится в файл ~/.claude/skills/qdrant-sizing/SKILL.md.

Что делает скилл qdrant-sizing?

Он моделирует аппаратные требования к серверу или кластеру Qdrant, вычисляя необходимую память, процессорные ядра, диск и узлы под плановый объём векторов.

Почему для расчёта памяти Qdrant нельзя просто умножить число векторов на размерность?

Qdrant сохраняет графы HNSW, индексы фильтрации и сжатые копии квантованных векторов параллельно с исходными данными. К общему объёму требуется добавлять около 20% запаса на работу оптимизатора и кэш ОС.

Исходный текст

SKILL.md · Apache-2.0
---
name: qdrant-sizing
description: "Sizes a Qdrant deployment before it is provisioned. Use when someone asks 'how much RAM do I need', 'how many nodes', 'how big should my cluster be', 'sizing', 'capacity planning', 'will N vectors fit', 'what instance type should I pick', or gives a vector count and dimensions and asks what to provision. Also use when an existing estimate needs checking before hardware or a cluster tier is bought."
---

# Sizing a Qdrant Deployment

Sizing is not `points × dims × 4`. Raw vectors are only one part of the footprint.
Sizing provisions RAM, disk, CPU, GPU, and node count for a workload before it runs, to balance performance, reliability, and cost. Each resource is driven by different requirements:

- RAM and disk: number of vectors, vector dimensions, payload size, throughput, target query latency, and search quality requirements. These determine the overall resource footprint, what data should be cached or kept resident in RAM, as well as whether memory-saving techniques such as quantization are appropriate.
- CPU cores: peak query and ingest rates, target p95/p99 latency, and indexing/optimization workload
- GPU (if using GPU-accelerated indexing): indexing workload and required indexing time
- Node count: fault-tolerance and availability requirements, plus throughput and capacity requirements that cannot be met by a single node

Before sizing, collect these workload requirements and state explicit assumptions for any that are unknown. Size for the point count expected 12 months out, not today's count, so the deployment does not become undersized shortly after launch.

## Sizing RAM and Disk

Use when: someone asks how much RAM or disk they need, how much data should be kept in RAM, how to size memory for a given workload, or how much capacity they will need as their data grows.

### Estimate the data footprint

- Read [Calculating RAM and Disk Size](https://skills.qdrant.tech/md/documentation/capacity-planning/?s=calculating-ram-and-disk-size) and compute each component with its formula. Do not estimate from memory: the formulas and defaults change between versions.
- Size each component separately: dense vectors, quantized vectors, HNSW indexes, sparse vectors and their indexes, payload, payload indexes, and the ID tracker. Every component scales with `base = points × replication_factor`.
- For multiple named vectors or payload fields per point, size each one separately, then sum them.
- Count quantized vectors on top of the originals: Qdrant stores the compressed copy alongside the original vectors, not instead of them. A TurboQuant vector datatype is different: it replaces the originals, at 2 bytes per dimension for `turbo16` (1.20+), 1 for `turbo8` (1.20+), and 0.5 for `turbo4` (1.19+), against 4 for `float32`. Dense vectors can have 1 to 65,536 dimensions.
- A full-text index with `scoring` enabled (BM25, 1.20+) stores document lengths and token positions, so it needs more RAM and disk than a filter-only full-text index.
- A per-element payload index (the `nested` option for arrays of objects, 1.20+) also keeps an element-to-point map in RAM regardless of its memory tier: budget about 4 bytes per point for each such index.
- Count payload indexes only for fields used for filtering; index only fields that are frequently filtered on.

### Decide what needs to be loaded in RAM

Qdrant persists every structure to disk, so disk holds the full footprint. RAM holds only the structures you keep in RAM, so size RAM and disk separately [Putting It Together](https://skills.qdrant.tech/md/documentation/capacity-planning/?s=putting-it-together).
On Qdrant 1.19 or newer, set this per structure with `memory: pinned`, `cached`, or `cold`. Check the [default memory tiers](https://skills.qdrant.tech/md/documentation/ops-configuration/memory-tiers/?s=default-tiers) before overriding them; on 1.18 or older, see the [legacy settings](https://skills.qdrant.tech/md/documentation/ops-configuration/memory-tiers/?s=legacy-settings).

**Recommendations:**

- Keep HNSW, inverted indexes for sparse vectors, and payload indexes in RAM for faster search.
- Pin quantized vectors in RAM if they fit comfortably in the available memory, and move the original vectors to `cold` for rescoring. This is the main way quantization reduces RAM.
- If your use case involves splitting vectors into multiple collections or subgroups based on payload values (for example, serving searches for multiple users, each with their own subset of vectors), store vectors in the `cold` memory tier and size RAM from the active subset of points, not the full collection [Subgroup-oriented configuration](https://skills.qdrant.tech/md/documentation/capacity-planning/?s=subgroup-oriented-configuration).
- With vectors on disk, the amount of RAM drives latency: keeping half as many vectors in RAM roughly doubles search latency [Storage-focused configuration](https://skills.qdrant.tech/md/documentation/capacity-planning/?s=storage-focused-configuration).

### Add headroom

- Add about 20% headroom on top of both the RAM and the disk totals. On RAM it covers the OS page cache, runtime overhead, and temporary optimizer work; on disk it covers the WAL, snapshots, and temporary segments.

## Sizing CPU, GPU, and Node Count

Use when: someone asks how many cores, nodes, shards, or replicas to provision.

- **GPU:** If indexing time is a significant constraint for your workload, you can use GPU-accelerated indexing [Running with GPU](https://skills.qdrant.tech/md/documentation/ops-configuration/running-with-gpu/)
- **CPU cores:** there is no formula; derive core count from a load test at the target QPS and latency. Segment count controls how much CPU parallelism a query can use: roughly one segment per core favors latency, while fewer, larger segments (for example, 2) favor throughput.
- **Node count:** compute the node count from the RAM total and the usable RAM per node with the formula in [Node Count](https://skills.qdrant.tech/md/documentation/capacity-planning/?s=node-count), then check it against the expected query and ingest load and your fault-tolerance requirements. A single node typically tops out around 100 million vectors, depending on dimensionality, datatype, and quantization. For production high availability, use at least 3 nodes with `replication_factor: 2` or higher [Resilience](https://skills.qdrant.tech/md/documentation/scaling/resilience/)
- **Shard count:** if you're planning ahead for future expansion, create at least 2 shards per node. If you anticipate significant growth, 12 shards is a common starting point because it divides evenly as you scale from 1 to 2, 3, 4, 6, and 12 nodes [Shard Count](https://skills.qdrant.tech/md/documentation/capacity-planning/?s=shard-count)
- **Resharding:** choose the shard count with future growth in mind. Resharding is available in Qdrant Cloud.

## Validating the Estimate Before Provisioning

Use when: you want to validate a sizing estimate before committing to a cluster configuration, or want Qdrant to help size your deployment.

- Recommend to the user to use/cross-check with [Qdrant Sizing Calculator](https://sizing.qdrant.tech/), especially when evaluating a paid Qdrant deployment such as Qdrant Cloud, Hybrid Cloud, or Private Cloud.
- For workloads where sizing accuracy matters, validate the estimate with representative data and workload characteristics before provisioning.
- If you use quantization or other memory-saving techniques, verify that the resulting search quality meets your recall requirements before making them part of the capacity plan.

## What NOT to Do

- Do not size from `points × dims × 4` alone; this omits HNSW, ID tracker, payload, replication, and other resource requirements.
- Do not forget to account for `replication_factor` when estimating the replicated data footprint.
- Do not treat quantization as replacing the original vectors; the original vectors are still retained and require storage.
- Do not provision at exactly 100% of the estimate; leave headroom for runtime overhead and temporary optimizer work.
- Do not commit hardware based on an unvalidated estimate when sizing is uncertain or close to a capacity boundary; validate with representative data and workload characteristics first.

© qdrant · Apache-2.0 · qdrant/skills

Похожие скиллы

Все скиллы по теме «Данные и базы» →
qdrant-vector-search Orchestra Research Скилл qdrant-vector-search для Claude Code помогает проектировать поиск по векторам в Qdrant для RAG и семантического поиска, включая фильтрацию по метаданным и масштабирование. CX Codex +1 1 100установок qdrant-performance-optimization официальный github Скилл qdrant-performance-optimization для GitHub Copilot разбирает производительность Qdrant: скорость поиска, построение индекса и расход памяти. Находит узкие места в конфигурации. CX Codex +1 61установок grepai-storage-qdrant yoanbernabeu Скилл grepai-storage-qdrant настраивает векторную базу данных Qdrant в роли хранилища для поискового движка GrepAI. Инструкция подключает локальный Docker-контейнер или кластер Qdrant Cloud через gRPC на порту 6334. CX Codex +1 570установок qdrant-deployment-options официальный github Скилл qdrant-deployment-options помогает выбрать способ развертывания векторной базы Qdrant под конкретные требования к задержке сети, контролю данных и масштабированию. CX Codex +1 61установок qdrant giuseppe-trisciuoglio Скилл даёт шаблоны интеграции векторной базы Qdrant в Java и Spring Boot через LangChain4j. Помогает настроить семантический поиск и хранилище эмбеддингов для RAG. CX Codex +1 3 900установок qdrant-memory cnkang Скилл qdrant-memory для Claude Code управляет долговременной памятью в Qdrant через MCP-инструменты или отдельную CLI. Он подключается к поиску, сохранению и обслуживанию записей. CX Codex +1 999установок

Из того же набора12

Весь набор →
qdrant-version-upgrade Скилл qdrant-version-upgrade для Claude Code помогает спланировать обновление Qdrant и SDK с учётом совместимости версий. Он разбирает переходы между версиями, порядок действий и изменения после обновления. CX Codex +1 1 400установок qdrant-performance-optimization Скилл qdrant-performance-optimization для Claude Code сопоставляет симптомы при настройке Qdrant с под-скиллами по скорости поиска, индексации и памяти. CX Codex +1 1 700установок qdrant-advisor Скилл qdrant-advisor подтягивает официальные инструкции из skills.qdrant.tech для решения сбоев кластера, утечек памяти и замедления индексов Qdrant. CX Codex +1 782установок qdrant-edge Помогает разрабатывать приложения на Qdrant Edge. Разбирает синхронизацию локального шарда, поиск BM25 и обслуживание индексов. CX Codex +1 328установок qdrant-multitenancy Скилл qdrant-multitenancy для Claude Code, Codex и Cursor. Направляет выбор архитектуры изоляции данных нескольких клиентов в векторной базе Qdrant. CX Codex +1 298установок qdrant-migration-tool Скилл qdrant-migration-tool для Claude Code переносит векторные данные и метаданные в Qdrant из других баз данных. Инструмент управляет процессом миграции, включая возобновление прерванных операций. CX Codex +1 137установок qdrant-hybrid-cloud-setup Скилл qdrant-hybrid-cloud-setup для Claude Code помогает развернуть Qdrant Hybrid Cloud в собственном Kubernetes-кластере. Подключается при настройке агента и оператора, хранилища, резервных копий или доступа к кластеру. CX Codex +1 121установок qdrant-skills Набор скиллов помогает агенту принимать решения по векторному поиску Qdrant: от масштабирования и качества выдачи до миграции моделей. ★ 271звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой