
MUVERA:提升多向量性能
在许多基准测试中,多向量表示优于单向量嵌入。MUVERA 嵌入旨在通过创建近似于多向量表示的单向量表示来解决多向量搜索速度缓慢的问题。该单向量可用于使用传统向量搜索方法进行快速初始检索,然后使用多向量表示对顶部结果进行重新排序。
Kacper Łukawski
2025年9月5日
使用 Qdrant 全面掌控您的向量数据。了解如何轻松存储、组织和优化向量,以实现高性能相似性搜索。

在许多基准测试中,多向量表示优于单向量嵌入。MUVERA 嵌入旨在通过创建近似于多向量表示的单向量表示来解决多向量搜索速度缓慢的问题。该单向量可用于使用传统向量搜索方法进行快速初始检索,然后使用多向量表示对顶部结果进行重新排序。
Kacper Łukawski
2025年9月5日

构建合适的搜索功能需要针对您的特定用例选择正确的嵌入模型。本指南将根据性能、成本和其他实际考量因素,帮助您完成选择过程。
Kacper Łukawski
2025年7月15日

我们汇总了最受推荐的技巧和窍门,以确保您的生产部署顺利运行。
David Myriel
2025年4月30日
深入了解 Qdrant 高性能向量搜索引擎的内部机制。探索 Qdrant 向量搜索引擎所构建的架构、组件和设计原则。

TurboQuant — 来自 Google Research 的一种新的基于旋转的向量量化算法 — 现已在 Qdrant 1.18 中发布,并附带了使其能够处理实际嵌入的扩展功能。
Ivan Pleshkov & Jonas Schulz
2026年5月13日

为什么附加向量搜索看起来不错——直到您真正使用它。
Evgeniya Sukhodolskaya & Andrey Vasnetsov
2025年2月17日

我们为什么以及如何构建自己的键值存储。关于我们流程和结果的一份简短技术报告。
Luis Cossio, Arnaud Gourlay & David Myriel
2025年2月5日
了解如何利用向量相似性进行超越搜索的应用。揭示数据中隐藏的模式和见解,提供推荐,并导航数据空间。
探索实现现代语义相似度搜索的机器学习原则和实践。将 Qdrant 和向量搜索功能应用于您的机器学习项目。
利用 Qdrant 进行检索增强生成 (RAG) 并构建 AI 智能体

了解如何通过高效的向量检索、混合稠密-稀疏搜索、实时记忆、多模态上下文集成以及针对低延迟、高准确度生产环境优化的架构,构建高性能、可扩展的 AI 智能体。
Thierry Damiba
2025年10月26日

智能体是 AI 的一种新范式,它们正在改变我们构建 RAG 系统的方式。了解如何使用 Qdrant 构建智能体,以及如何选择框架。
Kacper Łukawski
2024年11月22日

了解如何使用像 Quotient 这样的 LLM 评估工具来测试和迭代改进基于 Qdrant 的 RAG 应用程序。
Atita Arora
2024年6月12日
帮助您上手 Qdrant 的构建块和参考实现。了解如何使用 Qdrant 解决现实世界中的问题并构建下一代 AI 应用程序。

稀疏嵌入系列的第 5 部分。我们将第 1-4 部分的整个训练流程打包成了一个开源命令行界面 (CLI) 和 Web 仪表板,可在几分钟内为任何产品目录微调 SPLADE 模型。
Thierry Damiba
2026 年 3 月 9 日

关于为电子商务搜索微调 SPLADE 稀疏嵌入的 5 部分系列文章的第 4 部分。测试跨领域泛化,训练多领域模型,并决定何时进行专门化与泛化。
Thierry Damiba
2026 年 3 月 9 日

关于为电子商务搜索微调 SPLADE 稀疏嵌入的 5 部分系列文章的第 3 部分。在 Qdrant 中索引产品、运行检索基准测试,并实施 ANCE 难负样本挖掘,从而比 BM25 提升 28%。
Thierry Damiba
2026 年 3 月 9 日
围绕 Qdrant 向量搜索引擎的工具、库和集成。

我作为 2024 年 Qdrant 代码之夏 (Summer of Code) 参与者的旅程,致力于利用基于 WebAssembly (WASM) 的降维技术增强向量可视化。
Jishan Bhattacharya
2024年8月31日

了解如何使用 FastEmbed 准确且高效地创建文本嵌入。
Nirant Kasliwal
2023年10月18日

我作为 2023 年 Google 代码之夏 (Google Summer of Code) 学生,参与 Qdrant“可视化与探索 Web UI”项目的旅程。
Kartik Gupta
2023年8月28日