Qdrant推出的“相关反馈查询”工具旨在提高向量搜索结果的相关性。该工具经济且可扩展，允许用户通过反馈模型优化检索过程，克服传统方法的局限性，适用于多种数据类型，并在整个向量空间中有效工作。

传统的RAG检索方式较为死板，而Agentic RAG通过自主决策、动态规划和多工具组合来优化检索过程。Microsoft Agent Framework支持Agentic RAG，提供灵活的上下文管理和工具调用，增强推理能力，适应复杂问题，从而提升用户体验。

传统的RAG检索方式较为死板，而Agentic RAG通过自主决策、动态规划和多工具组合来优化检索过程。Microsoft Agent Framework支持Agentic RAG，提供灵活的上下文管理和工具调用，增强推理能力，适应复杂问题，从而提升用户体验。

DeepLearning.AI与Qdrant合作推出新课程《检索优化：从分词到向量量化》，提升开发者的向量搜索能力。课程由Qdrant的Kacper Łukawski主讲，适合有Python基础的初学者，内容包括分词技术和检索优化等，帮助学员优化检索应用。课程免费在线提供，时长一小时。