开源的向量数据库和向量相似性AI搜索引擎
Qdrant 联合 Vultr 发布业界首个互联网规模开源向量搜索基准数据集 Qdrant-FineWeb-10B，包含 100 亿向量及海量真实文本。同时开源高性能基准引擎 Supernova，支持亿级向量的并行计算与精确 Ground Truth 验证。此举旨在解决现有基准测试依赖合成数据、门槛过高的问题，为生产级 RAG 系统提供可复现、高吞吐的评估标准。
Qdrant 团队基于五大公开数据集，系统性地解决了向量搜索中常见的“盲目调参”痛点。文章揭示了七项隐蔽影响检索质量的配置项，并针对召回不足、混合搜索融合参数、重排序价值评估及内存溢出导致的延迟飙升等场景，提供了基于实测数据的诊断与调优方案，帮助开发者将搜索优化从经验主义转向数据驱动。
Qdrant 与 Minima 联合发布最新案例研究，通过优化混合检索策略与延迟交互重排序（Late-Interaction Reranking），在单卡环境下将智能体 RAG 任务吞吐量提升 2.92 倍。新方案结合 BM25 稀疏检索与 ColBERT 风格重排序，显著降低首轮检索失败率，实现从 1,350 到 3,750 任务的 GPU 小时产出飞跃，同时上下文 token 消耗减少 56%。
拜耳（Bayer）作为全球生命科学巨头，利用 Qdrant 构建了支撑 11.6 万员工的企业级 AI 平台 myGenAssist。通过自研与混合云部署，该平台成功处理超 150 万条月度消息，存储 1.35 亿个向量点，实现了从单一文本检索到多模态（视频、音频、文档）的演进。文章详细阐述了拜耳如何在严格的数据合规要求下，利用 Qdrant 的 Rust 原生性能与混合云架构，解决大模型幻觉问题并支撑自主智能体（Agent）的复杂工作负载。
Qdrant 官方发布深度指南，揭示向量库因数据膨胀导致的检索质量下降问题。文章通过实验证明，重复数据（Duplicates）和过期记录会显著降低召回率与答案正确率。核心建议包括利用 Qdrant 的幂等加载机制进行去重、引入 `is_current` 字段标记数据生命周期、以及选择能反映真实业务价值的评估指标。本文旨在帮助开发者在 Agent 应用与知识库场景中构建更健康的向量索引。
Qdrant 正式宣布不再采用传统的预过滤（Pre-Filtering）或后过滤（Post-Filtering）策略，而是将过滤逻辑内嵌于搜索过程中。通过引入 Filterable HNSW 图结构及 ACORN 算法，Qdrant 实现了在遍历图结构时实时剔除不匹配点，显著提升了复杂过滤场景下的召回率与性能。新架构支持动态路由，根据查询负载自动选择最优执行路径，解决了传统方法在宽泛过滤或组合过滤时的性能瓶颈。
Qdrant 1.19 重磅推出 TurboQuant Datatype，将向量存储压缩率提升至 9 倍（从 36bit 降至 4bit），显著降低磁盘占用并提升 I/O 吞吐。同时引入统一的 Memory Tiers 参数，简化了 pinned/cached/cold 三级内存管理逻辑。此外，新增租户级 IDF 统计以优化多租户 BM25 搜索精度，并支持关键词字段前缀匹配与切片过滤，极大增强了检索灵活性与多租户场景下的性能表现。
Qdrant 团队分享了构建基于 580 万真实商品数据的电商搜索系统的经验。文章核心在于打破传统“检索 + 过滤 + 排序”的割裂架构，提出将过滤内嵌于查询、混合检索（BM25+ 向量）作为首选方案、以及通过内存量化与公式重排序实现高性能排名的策略。实测显示，移除重排序（Rescore）可提升 4.5 倍查询速度，而将个性化权重控制在 0.45 即可在保持召回率的同时显著减少无关推荐。
Qdrant 推出分支感知（Branch-Aware）语义代码搜索功能，彻底解决传统向量索引因脱离 Git 分支导致 AI 代理调用错误版本代码的问题。通过基于结构化的命名声明（Named Declarations）进行分块，结合稳定的符号身份追踪跨版本变更，并实现与 Git 历史的动态同步。该功能确保 AI Agent 在检索时仅获取当前分支及其祖先的有效代码视图，显著提升代码理解与生成的准确性。
Qdrant 于 2026 年 6 月在美国旧金山举办首届 Vector Space Day，汇聚 350+ 开发者探讨 Agent 记忆、混合检索及边缘计算。会议重申 Qdrant 定位为“向量搜索引擎”而非传统向量数据库，强调通过 Rust 核心、GridStore 存储层及 TurboQuant 压缩技术解决工程难题。亮点包括 Neo4j 的 GraphRAG 架构、HubSpot 的亿级向量集群运维及 Arize 的检索评估方法论，展示了 Qdrant 在可组合性、可控性与可配置性（3C）上的核心优势。
Qdrant 推出 Qdrant Edge，一款基于 Rust 的嵌入式向量搜索库，支持完全离线的边缘端向量检索。该工具专为机器人、物联网设备及隐私敏感场景设计，将传统的云端 API 架构重构为进程内库。通过集成 YOLOE、SigLIP2 等模型，Qdrant Edge 实现了毫秒级的本地记忆构建与混合搜索，解决了延迟、连接性、成本及隐私等边缘计算痛点，重新定义了 AI 在物理世界的交互模式。
Qdrant 宣布 2026 年“Vector Space Hackathon”结果，强调“跳出机器人思维”的创新理念。三大获奖项目 MemoryAtlas、Crowd Whisperer 和 Synthara 分别展示了心理健康监测、实时人群反应模拟及动态叙事 RPG 的突破。这些项目摒弃传统 RAG 和简单聊天机器人，利用 Qdrant 的多向量存储、混合检索及 Payload 过滤能力，实现了从被动响应到主动干预的范式转变。
