Qdrant 助力 QA.tech 的测试代理实现实时精度和规模

QA.tech 是一家专注于 AI 驱动自动化测试解决方案的公司，他们发现构建和**全面测试 Web 应用，尤其是端到端测试，可能既复杂又耗时**。与单元测试不同，端到端测试揭示了浏览器中实际发生的情况，通常能发现其他方法遗漏的问题。

传统的硬编码测试解决方案不仅设置劳动密集，而且随着时间的推移维护起来也很困难。或者，招聘 QA 测试人员可以是一种解决方案，但对于初创公司来说，很快就会成为瓶颈。每次发布都需要更多的测试人员，如果将测试外包，管理时间线和确保质量会变得更加困难。

为了解决这个问题，QA.tech 开发了**测试代理**，它们就像用户一样在浏览器上执行任务——例如，在旅行应用上购买机票。这些代理会浏览整个预订流程，从搜索航班到完成购买，同时评估它们的成功率。**它们记录错误，记录过程，并标记问题供开发人员审查。**通过访问控制台日志和网络调用，开发人员可以轻松分析每一步，快速理解和调试出现的任何问题。

QA.tech AI 代理的输出

是什么促使 QA.tech 使用向量数据库？

QA.tech 最初使用 **pgvector** 进行更简单的向量用例，但随着需求的增长遇到了可扩展性限制，这促使他们采用了 Qdrant。他们需要一个向量数据库，能够处理高速、实时分析，以支持其 AI 代理，这些代理在一个观察和解释网页操作的分析层中运行。该分析层严重依赖多模态模型和大量的子处理，以使 AI 代理能够做出明智的实时决策。

在某些 Web 界面中，可能会发生数百个操作，实时处理它们——尤其是每一次点击——可能会很慢。动态 Web 元素和不断变化的标识符使此问题进一步复杂化，使得传统方法不可靠。为了解决这些挑战，QA.tech 在特定操作上训练了自定义嵌入，这显著加快了决策速度。

这种设置需要频繁的嵌入查找，为每次交互生成大量的数据库调用。正如 **QA.tech 的 Vilhelm von Ehrenheim** 所解释的那样：

“每一次点击都会产生大量嵌入、大量调用和大量针对数据库的查找，这需要良好的扩展性。”

Qdrant 快速、可扩展的向量搜索使 QA.tech 能够无缝处理这些高速查找，确保代理保持响应性，并能够实时做出快速、准确的决策。

QA.tech 为何选择 Qdrant 作为其 AI 代理平台

QA.tech 的 AI 代理处理高速 Web 操作，需要高效的实时操作和可扩展的基础设施。团队面临着管理网络开销、CPU 负载以及为不同用例存储多个嵌入的挑战。Qdrant 为解决这些问题提供了解决方案。

利用批处理操作降低网络开销

在 Web 界面上单独处理数百个同步操作会产生显著的网络开销。Von Ehrenheim 解释说：“将所有这些操作放在单独的调用中会产生大量的网络开销。”Qdrant 的批处理操作允许 QA.tech 一次处理多个操作，从而减少了网络流量并提高了效率。这种能力对于实时响应至关重要的 AI 代理来说至关重要。

优化 CPU 负载以处理嵌入

PostgreSQL 的事务保证在处理嵌入时导致了高 CPU 使用率，尤其是在大规模处理时。Von Ehrenheim 指出，添加许多新嵌入“需要更多的 CPU”，这导致了性能瓶颈。Qdrant 的架构有效地处理了大规模嵌入，防止了 CPU 过载，并确保了流畅、不间断的性能，这是 AI 代理的关键要求。

管理针对不同用例的多个嵌入

AI 代理需要灵活地处理实时操作和上下文感知任务。QA.tech 需要不同的嵌入用于即时操作处理和更深层次的语义搜索。Von Ehrenheim 提到：“我们使用一种嵌入用于高速操作，但我也想存储其他类型的嵌入用于分析目的。”

Qdrant 每数据点存储多个嵌入的能力使 QA.tech 能够在不增加复杂性的情况下满足这些多样化的需求。

QA.tech 如何克服 AI 代理开发中的关键挑战

构建可靠的 AI 代理带来了独特的复杂性，尤其是在工作流程变得更加多步骤和动态时。

“你要求代理采取的步骤越多，确保一致性能就越困难，”QA.tech 联合创始人 Vilhelm von Ehrenheim 说。

每一个附加操作都会增加相互依赖的变量层，产生如果不仔细管理很容易导致错误的路径。

Von Ehrenheim 还指出了当前大型语言模型（LLMs）的局限性，他指出：“LLMs 越来越强大，但它们仍然难以处理多步骤推理，例如处理微妙的视觉变化，如深色模式或自适应 UI。”这些挑战使得代理必须具备精确的规划能力和上下文感知能力，而 QA.tech 通过实施自定义嵌入和多模态模型来解决了这个问题。

“这就是可扩展、适应性强的基础设施变得至关重要的地方，”Von Ehrenheim 补充道。Qdrant 对 QA.tech 至关重要，它提供了稳定、高性能的向量搜索，以支持要求苛刻的工作流程。**“有了 Qdrant，我们能够处理这些复杂、高速的任务，而不会牺牲可靠性。”**