公司
别名：qdrant_engine
提供向量数据库解决方案的公司，发布 Qdrant Edge 产品。
已跟踪 30 条高相关材料
最近变化
2026-07-07 · Qdrant Edge支持设备端AI RAG
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。
How HubSpot Scaled Semantic Search to 20 Billion Vectors
InfoQ · 8.5 分
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。
Last week, we hosted Vector Space Meetup: Retrieval in the Age of Agents. Our CTO Andrey Vasnetsov ...
Qdrant(@qdrant_engine) · 8.5 分
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。
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
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 将在 Vector Space Day 上介绍如何构建一个智能、可靠的生产级 AI 代理，涵盖可扩展系统、上下文感知推理、实时决策制定及高风险环境下的稳定性。
入选理由：Qdrant 将在 Vector Space Day 上分享其生产级 AI 代理的架构理念。
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。
Qdrant 宣布与 Aman 合作，帮助 Israeli 企业构建生产 AI。
入选理由：Qdrant 是一个专为大规模分布式系统设计的向量搜索引擎。
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。
视频是信息密度最高的模态，但大多数检索系统仍将其当作带图片的文本处理；James Le 将在 Vector Space Day 展示如何通过正确的多模态检索实现语义搜索、对象追踪和高亮生成等高级功能。
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
Qdrant 宣布将在柏林举办一场关于 AI 检索、智能体和现代搜索系统的活动，讨论检索在智能体时代的发展，包括生产 RAG、记忆系统和向量搜索。活动链接：https://t.co/zTuvAQ5UrM
入选理由：Qdrant 将在柏林举办活动，讨论 AI 检索、智能体和现代搜索系统的发展
Qdrant 宣布 Laurie Voss 将在 Vector Space Day 2026 上讨论 retrieval metrics 和 golden datasets，强调了评估策略的重要性。
入选理由：Tweaking chunk sizes and running a few demo queries is not an evaluation strategy.
加入多模态搜索研讨会并尝试使用 Gemini Embedding 2 和 Qdrant。
入选理由：参加多模态搜索研讨会
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将于6月11日在柏林举办Vector Space Meetup，探讨Agent时代检索范式从单纯向量匹配向动态决策（何时搜、搜什么、用何工具）的转变。
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。
该推文仅为Vector Space Day活动预告，缺乏具身智能框架的技术细节与工程实践价值。AWS工程师将演示开源Agentic框架，通过混合检索将物理硬件暴露为可编程Agent工具，但正文未提供架构原理或代码实现。
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。
Qdrant 将于明天举办 TurboQuant 网络研讨会，展示 TurboQuant 在压缩性能上的优势，同时不牺牲召回率，并进行技术演示。
入选理由：TurboQuant 提供更好的压缩性能而不牺牲召回率。
