拜耳如何利用Qdrant构建企业级搜索引擎
内容提要
拜耳基于Qdrant构建企业级搜索引擎myGenAssist，服务11.6万员工，月处理超150万条消息。系统采用混合云部署，支持混合检索、多模态搜索和智能体记忆，通过语义缓存控制成本，实现约20%效率提升。Qdrant作为可组合检索层，直接向AI代理暴露API，支撑从聊天机器人到自主代理的演进。
延伸解读
混合云部署的合规与运维平衡
拜耳作为生命科学企业，数据合规要求严格，数据不能离开自有环境。初期自托管Qdrant虽满足合规，但运维负担重，团队规模有限。最终采用混合云模式，利用Kubernetes operator，数据留在本地，集群管理交给Qdrant，兼顾合规与运维效率。这一实践表明，企业级向量数据库部署需在合规、成本和运维能力间权衡，混合云是可行路径。
语义缓存与懒解析的成本控制策略
面对海量文档和深度智能体的高频检索，拜耳通过两项策略控制成本：一是将智能体抓取的网页内容写入Qdrant作为语义缓存，重复查询直接命中，减少外部API调用；二是采用懒解析，文档上传后不立即OCR，仅在智能体需要时按需解析，并缓存结果。据称，懒解析相比预解析可降低约80%的计算成本，语义缓存则显著减少重复查询的延迟和费用。
从聊天机器人到自主智能体的检索架构演进
拜耳最初将Qdrant用于RAG聊天机器人，如今智能体可直接调用Qdrant API，自主选择关键词、语义或混合检索策略，并支持查询扩展（如HYDE）。智能体还能将Qdrant作为记忆存储，实现跨会话上下文。这种可组合检索层设计，使智能体能够根据任务动态调整检索方式，适应从简单问答到深度研究的复杂需求。
企业级搜索的规模化挑战与应对
从千名用户扩展到11.6万员工，拜耳面临数据模型、索引策略和内存管理的挑战。采用双集合策略实现无停机迁移，按租户禁用全局HNSW索引以提升隔离性，使用二进制量化降低内存占用。这些实践表明，企业级向量搜索需关注索引策略、量化技术和租户隔离，以平衡性能与成本。
Q&A
拜耳为什么选择Qdrant作为其企业级搜索引擎的向量数据库？
拜耳在评估多个向量数据库后选择Qdrant，主要因为其开源特性便于快速测试、延迟表现良好、采用Rust编写具有内存效率和可预测性能，以及良好的性价比。
拜耳如何满足生命科学行业的合规要求，同时管理大规模向量数据库？
拜耳采用混合云部署模式，使用Kubernetes operator管理Qdrant，数据保留在拜耳自己的认证云环境中以满足合规要求，同时将集群管理的繁重工作外包给Qdrant Hybrid Cloud，减轻了运维负担。
拜耳如何实现多模态搜索，例如搜索图像、音频和视频？
拜耳采用omnimodal方法，使用视觉模型为科学PDF中的图像生成搜索优化的描述，并注入文本流；音频和视频通过Whisper转录后向量化，与文本一起索引，使用户可以搜索到图像、音频和视频等非文本资产。
拜耳如何利用Qdrant作为AI代理的记忆和语义缓存？
Qdrant存储用户与助手的消息对作为混合向量，支持代理的持久记忆，通过时间加权检索让代理记住之前的交互。同时，代理的web抓取连接器将抓取的块写入Qdrant集合，作为语义缓存，避免重复调用外部API，降低成本。
拜耳如何在不重新计算历史向量的情况下迁移到新的嵌入模型？
拜耳采用双集合策略，新集合与旧集合并行，新上传路由到新集合，查询时同时搜索两个集合并合并去重。随着旧数据因保留策略删除，旧集合自然淘汰，最终关闭，无需重新计算历史向量，实现零停机迁移。
拜耳如何控制AI代理的成本和延迟？
拜耳通过语义缓存将抓取的网页内容存入Qdrant，重复查询时直接使用缓存，减少外部API调用。此外，通过工具发现中间件只向模型展示最相关的12个工具，减少提示词token，降低成本和延迟。
拜耳如何确保AI生成的答案有据可查，满足审计要求？
拜耳在用户界面中为每个检索结果提供内联引用，显示确切的块文本、源文档和知识库链接，用户可点击查看。同时，所有代理会话在Langfuse中记录完整追踪，包括工具选择、检索和生成，支持成本归因和延迟分析，满足GxP审计要求。
拜耳如何实现知识库的租户隔离，避免不同团队数据相互影响？
拜耳使用Qdrant的is_tenant标志在知识库ID上分区查询执行，单个共享集合可服务超过10,000个知识库，每个租户的数据隔离，无交叉污染，且无需为每个租户单独部署基础设施。
