[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-qdrant-vector-database-ai-search-zh":3,"article-related-qdrant-vector-database-ai-search-zh":33,"series-tools-a9e7614e-8885-4017-a7a0-a27078f7e347":83},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":25,"views":29,"created_at":30,"published_at":31,"topic_cluster_id":32},"a9e7614e-8885-4017-a7a0-a27078f7e347","qdrant-vector-database-ai-search-zh","Qdrant 為 AI 應用加上向量搜尋","\u003Cp data-speakable=\"summary\">Qdrant 是一個用 Rust 寫的\u003Ca href=\"\u002Fnews\u002Fvector-database-market-iot-time-series-zh\">向量資料\u003C\u002Fa>庫，主打語意搜尋、混合檢索，還能支援 AI 應用的雲端與邊緣部署。\u003C\u002Fp>\u003Cp>說真的，這類工具現在很重要。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fqdrant\u002Fqdrant\" target=\"_blank\" rel=\"noopener\">Qdrant\u003C\u002Fa> 在 \u003Ca href=\"\u002Ftag\u002Fgithub\">GitHub\u003C\u002Fa> 有 31.5k stars、2.3k forks、419 個 open issues，還有 133 個 pull requests。這種數字不只是熱度，還代表很多人真的拿去跑。\u003C\u002Fp>\u003Cp>它的定位也很直接。這不是拿來做一般資料庫的附加功能。它是專門處理 embedding、相似度搜尋、payload filter 的工具。講白了，就是給 AI app 找資料用的。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>指標\u003C\u002Fth>\u003Cth>數值\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>GitHub stars\u003C\u002Ftd>\u003Ctd>31.5k\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GitHub forks\u003C\u002Ftd>\u003Ctd>2.3k\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Open issues\u003C\u002Ftd>\u003Ctd>419\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Open pull requests\u003C\u002Ftd>\u003Ctd>133\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Commits\u003C\u002Ftd>\u003Ctd>6,041\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Container port\u003C\u002Ftd>\u003Ctd>6333\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>Qdrant 到底在做什麼\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Fqdrant.tech\u002F\" target=\"_blank\" rel=\"noopener\">Qdrant\u003C\u002Fa> 是一個向量相似度搜尋引擎，也是向量資料庫。它會把 embeddings 存起來，再用距離計算找出最接近的資料。這很像搜尋，但比傳統關鍵字搜尋更懂語意。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779512164975-hjhl.png\" alt=\"Qdrant 為 AI 應用加上向量搜尋\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>它還有一個很實用的設計。每個 point 都能掛 payload。你可以把分類、價格、地區、時間這些條件一起拿來篩。這點很重要，因為真實產品幾乎都不是單純比向量距離。\u003C\u002Fp>\u003Cp>你可能會想問，這跟一般搜尋引擎差在哪。差在它更偏向 AI 工作流。推薦系統要相似度，也要商業規則。語意搜尋要懂意思，也要能過濾。RAG pipeline 要快，也要能控結果。Qdrant 就是往這個方向設計。\u003C\u002Fp>\u003Cul>\u003Cli>用 Rust 寫，偏向效能與記憶體安全\u003C\u002Fli>\u003Cli>支援 payload filter，能做條件查詢\u003C\u002Fli>\u003Cli>有 REST 和 gRPC API\u003C\u002Fli>\u003Cli>提供多種 client：Python、JavaScript、Go、Java、.NET\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>功能不是噱頭，是真的能上線\u003C\u002Fh2>\u003Cp>Qdrant 的功能表很務實。它支援 dense vectors、sparse vectors，還有 multivector search。這代表它不只懂語意，也能處理文字型檢索，甚至像 ColBERT 這類模型的需求。\u003C\u002Fp>\u003Cp>更實用的是 hybrid search。這種做法會把語意訊號和關鍵字訊號混在一起。因為現實世界很少只有一種查法。有人打錯字，有人想找精準詞，有人只是想找意思接近的內容。\u003C\u002Fp>\u003Cp>另一個數字很有感。Qdrant 提到內建 quantization 最多可把 RAM 用量降到原本的 3%。也就是說，最高可減少 97%。對要省伺服器成本的團隊來說，這不是小事。\u003C\u002Fp>\u003Cul>\u003Cli>dense、sparse、multivector 都是核心功能\u003C\u002Fli>\u003Cli>hybrid search 可搭配 RRF、DBSF 等融合方法\u003C\u002Fli>\u003Cli>quantization 最多可減少 97% RAM\u003C\u002Fli>\u003Cli>支援 sharding、replication、零停機更新\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Rust、Edge、Agent，三條線一起推\u003C\u002Fh2>\u003Cp>Qdrant 用 Rust，這點很合理。Rust 的優勢很明確。速度快，記憶體控制也穩。對資料量大、查詢多的服務來說，這種底層選擇會直接影響成本。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779512160089-opot.png\" alt=\"Qdrant 為 AI 應用加上向量搜尋\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>但我覺得更有意思的是部署方式。你可以走一般 client-server \u003Ca href=\"\u002Fnews\u002F5-patterns-graph-enhanced-rag-production-zh\">模式\u003C\u002Fa>，也能直接用 \u003Ca href=\"\u002Ftag\u002Fdocker\">Docker\u003C\u002Fa> 起一個服務。官方範例很直白：\u003Ccode>docker run -p 6333:6333 qdrant\u002Fqdrant\u003C\u002Fcode>。這種做法對\u003Ca href=\"\u002Fnews\u002F5-mcp-zh\">開發者\u003C\u002Fa>很友善。\u003C\u002Fp>\u003Cp>它還有 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fqdrant\u002Fqdrant\u002Ftree\u002Fmaster\u002Fqdrant-lib\u002Fedge\" target=\"_blank\" rel=\"noopener\">Qdrant Edge\u003C\u002Fa>。這是比較輕量的版本，可直接放進應用程式裡。對低延遲、離線、端側推論場景，這條路很實際。官方也把 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> \u003Ca href=\"\u002Ftag\u002Fskills\">skills\u003C\u002Fa> 放進來，像 quantization、sharding、tenant isolation、hybrid search、model migration。\u003C\u002Fp>\u003Cblockquote>\u003Cp>“Qdrant is a \u003Ca href=\"\u002Ftag\u002Fvector-database\">vector database\u003C\u002Fa> and similarity search engine designed to store embeddings and payloads, and to provide fast filtering and search.” — Qdrant README\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>這句話很老實，也很到位。它沒有把自己包裝成什麼萬能平台。它就是做檢索、做過濾、做搜尋。這種產品定位反而比較可信。\u003C\u002Fp>\u003Ch2>跟其他方案比，差在哪裡\u003C\u002Fh2>\u003Cp>如果你現在在選向量資料庫，重點不是誰 demo 比較炫。重點是誰比較好維運，誰比較省資源，誰比較適合你的資料流。\u003C\u002Fp>\u003Cp>Qdrant 的強項是控制力。你可以自己架，也可以用 \u003Ca href=\"https:\u002F\u002Fcloud.qdrant.io\u002F\" target=\"_blank\" rel=\"noopener\">Qdrant Cloud\u003C\u002Fa>。你可以跑雲端，也可以跑 edge。這種彈性對團隊很重要，因為很多專案一開始只想先試，後面才會遇到規模問題。\u003C\u002Fp>\u003Cp>和其他常見方案比，差異很清楚。Pinecone 偏 managed-first。Weaviate 偏 schema 與語意資料模型。PostgreSQL 加 pgvector 則適合已經深度使用 SQL 的團隊。Qdrant 比較像專門為 retrieval 場景設計的工具。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.pinecone.io\u002F\" target=\"_blank\" rel=\"noopener\">Pinecone\u003C\u002Fa>：主打託管服務\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fweaviate.io\u002F\" target=\"_blank\" rel=\"noopener\">Weaviate\u003C\u002Fa>：強調 schema 與資料建模\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.postgresql.org\u002F\" target=\"_blank\" rel=\"noopener\">PostgreSQL\u003C\u002Fa> + pgvector：適合既有 SQL 架構\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fqdrant\u002Fqdrant\" target=\"_blank\" rel=\"noopener\">Qdrant\u003C\u002Fa>：偏向檢索、過濾、混合搜尋\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我自己的看法很簡單。若你的產品重點是 RAG、推薦、語意搜尋，Qdrant 會比通用資料庫 extension 更順手。因為它把很多你遲早會碰到的細節，先做進去了。\u003C\u002Fp>\u003Ch2>這個專案為什麼現在值得看\u003C\u002Fh2>\u003Cp>Qdrant 已經不是只靠概念撐場面的專案。它有 6,041 個 commits，有多種 client library，也有 cloud 和 edge 兩條路。這代表它在解決真實問題，不是在做簡報用的 demo。\u003C\u002Fp>\u003Cp>放到 AI 應用的脈絡裡看，vector search 早就不是加分項。它常常是產品能不能用的底層能力。你要找文件、找知識、找商品、找訊息，都會碰到它。\u003C\u002Fp>\u003Cp>所以我會建議開發團隊直接測三件事。第一是 payload filter。第二是 hybrid query。第三是 RAM 用量。這三個測完，你就知道它適不適合你的資料量和成本預算。\u003C\u002Fp>\u003Cp>如果你今年要做 RAG、企業搜尋，或 agent 檢索層，我會先把 Qdrant 放進候選清單。先跑小型資料集，再拉到真實資料。這比看規格表準多了。\u003C\u002Fp>","Qdrant 是用 Rust 寫的向量資料庫，主打語意搜尋、混合檢索、雲端與邊緣部署，適合 AI 應用做資料查找。","github.com","https:\u002F\u002Fgithub.com\u002Fqdrant\u002Fqdrant",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779512164975-hjhl.png","tools","zh","f09da191-b400-4c15-95fb-2bb1252f2c0a",[17,18,19,20,21,22,23,24],"Qdrant","向量資料庫","語意搜尋","混合檢索","AI 應用","Rust","RAG","vector search",[26,27,28],"Qdrant 是用 Rust 寫的向量資料庫，重點在語意搜尋與 payload filter。","它支援 dense、sparse、multivector 和 hybrid search，適合 RAG 與推薦系統。","Qdrant 提供 self-hosted、Cloud、Edge 三種部署路線，方便從測試走到上線。",4,"2026-05-23T04:55:31.578607+00:00","2026-05-23T04:55:31.556+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":34,"relatedLang":42,"relatedPosts":46},[35,37,38,40,41],{"name":21,"slug":36},"ai-應用",{"name":19,"slug":19},{"name":17,"slug":39},"qdrant",{"name":20,"slug":20},{"name":18,"slug":18},{"id":15,"slug":43,"title":44,"language":45},"qdrant-vector-database-ai-search-en","Qdrant adds vector search for AI apps","en",[47,53,59,65,71,77],{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"5656a6ab-9e07-41be-9cea-3440fb8846e2","nvidia-lg-ai-collaboration-playbook-zh","Nvidia 和 LG 把 AI 合作變成模板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781056994999-8eng.png","2026-06-10T02:02:46.590133+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"e48be66d-d7de-419e-b5fd-805f0784ef15","ollama-best-free-ai-path-2026-zh","Ollama 是 2026 年真正適合工作的免費 AI 路徑","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781056077878-11pc.png","2026-06-10T01:47:24.632993+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"9b53427c-8c2a-4960-a773-f14d4528caae","awesome-production-ml-turns-chaos-into-stack-zh","這份 MLOps 清單把混亂拆成堆疊","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781055220958-dmar.png","2026-06-10T01:33:14.850634+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"d5af1522-28aa-4cfb-8779-1ecf168bc0b5","bentoml-turns-model-serving-into-python-apis-zh","BentoML 把模型服務變成 Python API","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781054310299-c1gm.png","2026-06-10T01:17:56.193093+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"63d8b456-ad6b-475e-86e9-d4677ca226aa","magenta-realtime-2-score-inside-daw-zh","Magenta RealTime 2 讓你在 DAW 裡即時改曲","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781046204038-8tox.png","2026-06-09T23:02:55.9651+00:00",{"id":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"category":13},"f60261ff-a42e-4cfb-9f90-97785e633289","open-source-ai-tools-beat-claude-paid-tiers-zh","開源 AI 工具在價值上已經贏過 Claude 付費方案","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781045266035-on7t.png","2026-06-09T22:47:20.195939+00:00",[84,89,94,99,104,109,114,119,124,129],{"id":85,"slug":86,"title":87,"created_at":88},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":130,"slug":131,"title":132,"created_at":133},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]