公司
也叫：qdrant_engine
提供向量数据库服务的公司，被HubSpot用于构建VAST系统
最近变化
2026-07-23 · 边缘设备本地运行可减少52ms网络延迟至0.1ms
Qdrant 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
At Vector Space Day SF, Dave Nielsen from @cognee_ gave an amazing talk on where AI memory is headin...
Qdrant(@qdrant_engine) · 8.5 分
How do you run vector search at 20B+ vectors across 5 regions for 38 teams? @HubSpot built VAST - V...
Qdrant(@qdrant_engine) · 8.5 分
"Continual learning isn't a training problem. It's a memory problem." @taranjeetio (co-founder & CE...
Qdrant(@qdrant_engine) · 8.5 分
已收录 30 篇与「Qdrant」相关的 AI 资讯和分析。
HubSpot通过自研Kubernetes操作符优化Qdrant集群管理，实现200亿向量跨5大区的高效搜索服务。
入选理由：Qdrant集群规模达150个，单集合存储95亿向量，写入峰值达10万/秒
AI记忆技术正从简单存储进化为融合RAG、GraphRAG和短期记忆的知识图谱系统，Qdrant与Neo4j协同实现向量与图关系存储，TurboQuant量化技术显著优化知识图谱效率。
入选理由：Cognee通过Qdrant存储向量、Neo4j存储图关系，实现知识图谱自动构建
使用Qdrant和Llama Index构建多租户搜索系统可实现数据隔离与高效扩展，无需管理多个集合。
入选理由：通过单个Qdrant集合实现多租户数据隔离，避免集合碎片化
持续学习的核心在于构建可扩展的记忆系统而非频繁重训练，Qdrant通过开源记忆层实现这一目标。
入选理由：持续学习的关键是分离权重（稳定能力）与记忆（用户特定数据）
HubSpot通过自研VaaS平台和Qdrant实现200亿向量管理，用Translators自动化集群操作，解决大规模语义搜索的扩展难题。
入选理由：Qdrant支持200亿向量管理，峰值写入达10万请求/秒
Qdrant 将向存储与计算分离的方向发展，实现本地查询索引片段，无需云端往返。
入选理由：Qdrant 正在推动存储与计算分离，实现本地查询索引片段。
无需LLM即可预测检索质量，通过信号检测弱检索，提升系统效率。
入选理由：使用dense_variance和evidence_coverage等信号可检测弱检索。
Qdrant 在 2023 年 Google Summer of Code 中新增了多边形地理过滤功能，提升向量数据库的地理查询能力。
入选理由：Qdrant 新增多边形地理过滤功能，提升查询灵活性。
Qdrant 1.6 推出更灵活的推荐 API，支持正负样本混合输入和多种搜索策略，提升推荐系统效果。
入选理由：Qdrant 1.6 支持正负样本混合输入，提升推荐系统灵活性。
Qdrant 1.7.0 新增稀疏向量支持和 Discovery API，提升向量搜索功能。
入选理由：Qdrant 1.7.0 支持稀疏向量，满足关键词搜索需求。
Qdrant 1.8.0 提升了稀疏向量搜索速度，达到 16 倍优化，并引入了 CPU 资源管理功能。
入选理由：Qdrant 1.8.0 的稀疏向量搜索速度提升了 16 倍。
将相关性直接嵌入搜索过程，而非检索后处理，可显著提升搜索系统的检索质量。
入选理由：相关性反馈可直接嵌入向量空间，提升搜索质量。
无需训练定制模型即可实现火灾检测，通过Edge RAG和向量搜索技术实现本地实时检测。
入选理由：使用Qdrant Edge可在本地进行实时传感器数据比对，无需训练定制模型。
更大的上下文窗口并不使向量搜索过时，使用Qdrant的两步检索流程在成本和效率上更优。
入选理由：更大的上下文窗口会增加成本和延迟。
本文提供了一套评估信息检索系统的实用方法，结合 Qdrant 和 Evret 工具进行基准测试和性能分析。
入选理由：使用 Qdrant 和 Evret 工具可以构建信息检索系统的基准测试。
Qdrant 提出了一种结合 Neo4j 图治理层的架构，实现符合企业政策的向量检索。
入选理由：企业级 AI 需要结合向量检索与图治理层以确保合规性。
Qdrant Edge在边缘设备上运行可将检索延迟从52ms降至0.1ms，显著提升实时响应能力。
入选理由：边缘设备本地运行可减少52ms网络延迟至0.1ms
本地部署AI系统可保障隐私，Qdrant Edge结合YAMNet实现本地SOS检测。
入选理由：使用Qdrant Edge可在本地运行AI系统，无需依赖云端。
Qdrant 用于构建一个基于 AI 的照片管理系统，通过自然语言查询实现照片的语义检索。
入选理由：Qdrant 作为检索层，支持自然语言查询照片。
文章介绍了一种无需云端的本地AI助手构建方案，使用Qdrant EDGE和LiteRT实现。
入选理由：使用Qdrant EDGE实现轻量级本地向量搜索。
文章讨论了如何构建支持200亿向量搜索的基础设施，重点在于自动化Kubernetes操作和大规模检索系统的实践。
入选理由：自动化Kubernetes操作可提升向量搜索系统的可靠性与可扩展性。
Video is the most information-dense modality we have, but most retrieval pipelines treat it like text with pictures; James Le will demonstrate how proper multimodal retrieval enables advanced functions like semantic search, object tracking, and highlight generation at Vector Space Day.
入选理由：视频是信息密度最高的模态，但当前检索系统大多将其当作带图片的文本处理。
Qdrant将于7月23日在慕尼黑举办BASED Meetup #6，聚焦搜索、检索和RAG技术的开放讨论。
入选理由：活动时间为7月23日18:00-21:00 GMT+2，地点在慕尼黑TNG Technology Consulting。
Qdrant将展示如何使用Qdrant Edge和Google LiteRT构建全设备RAG流水线，无需云端依赖。
入选理由：使用Qdrant Edge和Google LiteRT可实现本地化RAG流水线
文章是Qdrant和twelve_labs关于AI技术活动的宣传，缺乏技术深度。
入选理由：活动时间为2026年7月28日，地点在Bellevue, WA。
Qdrant 宣布将与 TRJ_0751 联合举办技术分享会，演示如何利用 Qdrant Edge 和 Google LiteRT 实现无需云端的设备端 RAG 流水线。
入选理由：使用 Qdrant Edge 和 Google LiteRT 可实现设备端 RAG 流水线
推文展示Qdrant Edge在设备端AI RAG的应用，但缺乏技术细节和实践案例。
入选理由：Qdrant Edge支持设备端AI RAG
Vector Space Day San Francisco 展示了检索技术的未来，但文章内容缺乏深度和具体信息。
入选理由：活动吸引了350+参与者，但未提供具体技术细节。
Qdrant hosts Vector Space Meetup in Berlin on June 11, exploring the shift from simple vector matching to dynamic decision-making (when/what/how to search) for AI Agents.
入选理由：现代Agent检索需具备动态决策能力，包括判断搜索时机、内容、工具选择及信息充分性验证。
This tweet is merely a promo for Vector Space Day, lacking technical depth on the embodied AI framework. An AWS engineer will demo an open-source agentic framework exposing hardware as programmable tools via hybrid search, but no architecture or code is provided.
入选理由：AWS工程师Sandhya Subramani将在Vector Space Day演示具身智能开源框架。
与「Qdrant」经常一起出现的 AI 术语。
💡 想追踪「Qdrant」的长期趋势？去 实体雷达 · Qdrant 查看详细分析和跨材料问答。
