公司
别名：qdrant_engine
提供向量数据库解决方案的技术公司
已跟踪 30 条高相关材料
最近变化
2026-10-14 · TurboQuant技术可将向量存储体积压缩至原大小的1/21
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。
https://t.co/uXP12n7r2A
Qdrant(@qdrant_engine) · 8.5 分
Qdrant通过TurboQuant技术将向量存储体积压缩21倍，仅损失0.1%检索质量，但需原始向量重排序。
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
Qdrant通过TurboQuant技术将向量大小减少21倍，同时保留99.9%的检索质量。测试基于Perplexity模型和ViDoRe数据集，但需原始向量进行重排序。
入选理由：TurboQuant技术使向量体积从856KB压缩至40KB/页（减少21倍）
Qdrant通过TurboQuant技术将向量存储体积压缩21倍，仅损失0.1%检索质量，但需原始向量重排序。
入选理由：TurboQuant技术可将向量存储体积压缩至原大小的1/21
Qdrant与LangGraph整合，支持AI代理的长期记忆存储与语义检索。
入选理由：Qdrant提供向量原生存储，支持语义搜索而非精确匹配
Lucy在SEC和韩国DART文件上构建的检索层达到94.7% Recall@10，提升答案准确性0.160。
入选理由：Qdrant通过四条混合车道实现94.7% Recall@10的金融文档检索效果
混合搜索结合BM25、SPLADE和dense embeddings在金融文档检索中展现优势，Qdrant通过47份SEC文件验证了不同方法的适用场景。
入选理由：BM25在精确关键词匹配上优于dense embeddings（SPLADE）
向量搜索中检索更多候选（如100个）可提升重排序效果，但增加至500个时收益有限（nDCG@10提升0.28，实际评分变化<0.01）。
入选理由：检索100个候选比10个更有利于重排序阶段优化结果
双曲嵌入在处理层次结构数据时比传统欧几里得嵌入更高效，且在WordNet案例中表现优异。
入选理由：双曲嵌入在WordNet案例中，5维精度0.823远超200维欧几里得嵌入的0.168
Qdrant 1.19.1版本通过多项优化显著提升性能，Quantized HNSW搜索速度提升1.5-2.5倍。
入选理由：Quantized HNSW搜索速度提升1.5-2.5倍
向量搜索调优需先定位问题，再调整对应参数，而非盲目尝试。Qdrant通过实验发现候选深度提升对最终得分影响有限，系统化调优应聚焦问题根源。
入选理由：候选深度从10提升至500仅使最终得分提升0.01，说明基础召回已达标
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。
