公司
别名：qdrant_engine
提供向量数据库解决方案的公司，支持ColBERT重排序等技术。
已跟踪 30 条高相关材料
最近变化
2026-08-25 · Qdrant Edge与MobileCLIP2组合支持仓库机器人离线视觉搜索
为什么值得关注
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。
Most in-car media systems still expect you to search with keywords. But when you’re driving, you do...
Qdrant(@qdrant_engine) · 8.7 分
当前车载媒体系统仍依赖关键词搜索，而驾驶时用户更倾向于用情绪、氛围和意图表达需求；Sarvesh Talele 使用 Qdrant Edge 构建了完全本地化的 AI 驱动媒体发现系统，支持语音/文本/情绪三类语义查询，全程无需云端依赖，实现隐私优先的实时体验。
Most "Graph RAG" implementations are vector retrieval with extra steps. @datagraphs built something...
Qdrant(@qdrant_engine) · 8.7 分
Qdrant 指出多数“图RAG”实为套壳向量检索，而 @datagraphs 构建了真正融合图数据库与向量搜索的协同架构：通过 schema-first agent 调度并行图查与语义检索，实现可验证、低延迟、全栈可控的知识问答。
What if warehouse robots could search product catalogs without the network? Rahul Sharma shows how ...
Qdrant(@qdrant_engine) · 8.5 分
Qdrant Edge结合MobileCLIP2实现离线视觉搜索，多向量技术提升产品识别准确性。
已收录 30 条与 Qdrant 相关的内容，按评分排序。
当前车载媒体系统仍依赖关键词搜索，而驾驶时用户更倾向于用情绪、氛围和意图表达需求；Sarvesh Talele 使用 Qdrant Edge 构建了完全本地化的 AI 驱动媒体发现系统，支持语音/文本/情绪三类语义查询，全程无需云端依赖，实现隐私优先的实时体验。
入选理由：系统采用 Whisper 实现本地语音转录，Qdrant Edge 提供设备端向量检索，全程无云服务依赖
Qdrant 指出多数“图RAG”实为套壳向量检索，而 @datagraphs 构建了真正融合图数据库与向量搜索的协同架构：通过 schema-first agent 调度并行图查与语义检索，实现可验证、低延迟、全栈可控的知识问答。
入选理由：图与向量非互斥，而是互补：图擅精确逻辑查询（否定/时间/计算），向量擅语义相似匹配
混合搜索优化需先验证融合效果，RRF与DBSF在信号处理上存在本质差异，实验数据证明合理参数调整可提升搜索质量。
入选理由：预调整阶段需用nDCG@10评估RRF(k=2)与单模检索的差距
候选深度优化可显著提升搜索效果，但需结合数据集规模和系统配置进行实验验证。
入选理由：测试候选深度时，从100/200开始，但需根据分片数和重排序器调整实际值
调整Qdrant集合前需检查检索流程、指标配置及数据完整性，以确保优化效果。
入选理由：检查向量索引和payload索引完整性是调整前的必要步骤
Qdrant混合搜索通过融合密集检索与稀疏检索，解决语义相似性与精确匹配的双重需求，提升搜索准确性。
入选理由：混合搜索将密集检索的语义相似性与稀疏检索的精确匹配结合，错误率降低30%以上
通过结合ColBERT重排序、二进制量化和句子级检索，Qdrant将RAG的token成本降低了67.1%。
入选理由：Qdrant的ColBERT重排序可减少67.1%的输入token
Qdrant Edge结合MobileCLIP2实现离线视觉搜索，多向量技术提升产品识别准确性。
入选理由：Qdrant Edge与MobileCLIP2组合支持仓库机器人离线视觉搜索
Qdrant 1.19 的 Turbo4 技术通过 4 位压缩存储减少 9 倍空间，但牺牲重评分能力。
入选理由：Turbo4 将存储空间从 36 位/坐标降至 4 位，实现 9× 压缩
Qdrant 1.19版本改进BM25评分，通过按租户独立计算IDF提升多租户环境下的搜索准确性。
入选理由：Qdrant 1.19支持按租户独立计算IDF统计，避免跨租户数据混合
Qdrant 1.19新增关键字索引前缀匹配功能，实现快速前缀查询与精确匹配共存。
入选理由：Qdrant 1.19版本支持在keyword indexes上启用前缀匹配，通过设置"prefix": true
Twelve Labs提出视频处理新范式，通过Marengo/Pegasus/Jockey三重模型解决传统视频分析的语义缺失问题，Qdrant提供底层向量存储支持。
入选理由：Marengo模型实现视频语义检索，突破传统帧级搜索限制
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 1.18 发布，引入了由 Google Research 开发的新量化方法 TurboQuant，提供更高的内存效率和更好的召回率。
入选理由：TurboQuant 提供与标量量化（SQ）相似的召回率，但内存使用减少 50%。
Qdrant 1.17 引入首个原生向量索引相关性反馈机制，将相关性判断直接嵌入检索过程，提升向量搜索效率与准确性。
入选理由：Qdrant 1.17 首次实现向量索引原生相关性反馈（index-native relevance feedback）
