Qdrant发布全球最大开源向量搜索基准数据集Qdrant-FineWeb-10B，含约25TB向量数据及精确ground truth，并开源Supernova框架，支持分布式嵌入生成、暴力KNN计算和性能评测，旨在替代合成基准，推动生产级向量搜索的可靠性与可复现性。

Qdrant支持将向量、HNSW图、量化向量等分配到不同内存层级（固定、缓存、冷存储），以平衡速度与成本。建议在RAM紧张时固定量化向量，冷存储时配合量化减少磁盘读取，避免缓存全精度与压缩副本共存。HNSW内联存储需测试，并随扩展持续检查RAM余量。

本文通过基准测试，量化了Qdrant优化器配置对搜索延迟的影响。连续索引虽在加载后需恢复期，但稳态延迟可降180倍；启用prevent_unoptimized能大幅降低排空期延迟，但新点暂不可见。单段配置稳态最快但恢复慢，限制段大小则相反。串行化优化线程可平滑延迟但延长排空。提高删除阈值可避免真空干扰。建议根据负载权衡配置。

Qdrant 1.10引入了新的查询API，允许用户通过组合不同的搜索方法来构建混合搜索系统。查询API支持创建嵌套的多阶段查询，并支持每个点的多个向量。用户可以使用标准指标（如precision@k、MRR或NDCG）评估其搜索系统的效果。文章还讨论了构建混合搜索系统的选项，包括融合和重新排序方法。Qdrant 1.10中的新查询API提供了灵活性，可以尝试不同的设置。

本文介绍Qdrant向量数据库在集合超出内存时的优化方法。通过量化压缩向量（如TurboQuant bits4）并固定压缩副本在RAM中，原始向量移至磁盘，可减少内存占用。重打分（rescore）虽增加磁盘读取，但能恢复精度，尤其对低比特量化（如bits1）效果显著。建议从bits4开始，根据测试调整参数，并验证召回率与延迟。

本文介绍Qdrant中混合搜索的调优方法。混合搜索结合稠密与稀疏检索，通过融合算法排序。调优前需确认融合优于单一检索，并比较RRF与DBSF融合方法。根据查询相关文档数量选择k值，最后调整权重。需在保留查询集上验证配置，确保效果稳定。调优顺序：确认融合优势、选择融合方法、设定k值、调整权重、验证结果。

调整Qdrant集合前，需明确检索目标（如排名、延迟或内存），并确保向量和负载索引正确。检查稀疏向量IDF修饰符和BM25平均长度等设置，避免无效结果。根据症状选择调整方向，如混合搜索或重排序。使用带标签的查询集和合适指标（如nDCG@10）评估，确保标签能检测改进，并在新查询上验证结果。

Qdrant与Minima联合优化智能体RAG，通过混合检索、重排序和模型压缩，将每GPU小时成功任务数从1081提升至3158，提升2.92倍。首轮检索成功率增至87%，上下文减少56%，延迟从21.3秒降至7.7秒，同时保持任务质量，显著降低推理成本。

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。

Qdrant向量集合增长会暴露重复、过期数据等问题，导致检索结果质量下降。通过去重、混合搜索优化和添加时效性过滤，可提升答案正确率。评估需结合多个指标，并检查数据源完整性，避免单一指标掩盖问题。

Qdrant对比了两种过滤向量搜索修复方案：Filterable HNSW在索引时添加额外边，ACORN在查询时检查邻居的邻居。基准测试显示，单一过滤器下Filterable HNSW表现更优，但AND组合过滤器两者都失效。Qdrant的查询规划器结合两者，在默认配置下多数过滤器保持高召回率，ACORN仅在特定场景（如无额外边的字段）值得启用，但会增加延迟。

Qdrant在向量搜索中采用过滤内置于搜索的方式，而非预过滤或后过滤。预过滤成本高，后过滤可能返回不足。Qdrant通过HNSW图遍历时检查过滤条件，并用Filterable HNSW和ACORN修复严格过滤导致的路径断裂。查询规划器按过滤匹配度选择路径，如过滤索引或全扫描，确保高效准确。

Qdrant 1.19发布，主要新功能包括：TurboQuant数据类型将向量压缩至4位，存储减少九倍；统一内存层级配置（固定、缓存、冷）；支持按租户计算IDF统计；新增关键词前缀匹配和切片过滤；Web UI增强，支持实时分片进度、大规模可视化及索引管理。另有资源配额、副本读取亲和性等改进。

文章讨论了向量数据库在人工智能中的重要性，尤其是在检索增强生成（RAG）中的应用。尽管大型语言模型（LLM）如Google的Gemini 1.5提供了更大的上下文窗口，但依赖上下文并不总是有效且成本高昂。向量搜索提供更高的精度和效率，能够实时获取最新信息，适合企业使用。Qdrant的向量数据库在成本和性能上具有显著优势，帮助企业优化AI系统的运行。

本文介绍了如何使用LangChain和Qdrant构建问答应用。通过将事实转化为向量并存储在Qdrant中，系统能够进行语义搜索并提取相关文档。使用两个模型，一个用于特征提取，另一个用于文本生成。配置知识库后，用户可以通过简单代码实现问答功能，LangChain会自动处理大部分流程。

FastEmbed是一个高效的Python库，旨在简化文本嵌入生成。它通过量化模型和ONNX Runtime实现快速嵌入，支持多种文本模型，适合大规模数据处理，提升性能和速度。

本文评测了Qdrant中ACORN与Filterable HNSW两种过滤向量搜索方案。ACORN在查询时修补图，但延迟高、召回有限；Filterable HNSW在索引时加边，更高效。单过滤时后者胜出，双过滤时ACORN仅在无额外边的字段占优。建议为过滤字段建索引，并视情况启用ACORN。

构建电商搜索时，混合检索（密集向量+BM25）优于单一方法；过滤应在查询内进行，避免结果稀疏。嵌入文本比模型大小更关键，量化内存可省去重排序。个性化应作用于排序而非检索，商品运营用权重调整。评估需多指标互补，注意分片融合陷阱。

在使用Qdrant进行大规模数据上传时，需要关注内存使用、磁盘写入和搜索可用性。最佳实践包括选择合适的上传策略、批量上传、并行处理和分片。处理密集向量和稀疏向量时需根据工作负载调整配置，以确保上传过程高效稳定。