拜耳构建企业级多模态搜索引擎：Qdrant 助力 150 万消息处理与合规云架构
背景：从“AI 侧项目”到组织核心杠杆
拜耳（Bayer）是一家全球性的生命科学公司，其愿景是“为所有人提供健康，消除饥饿”。在这一宏大目标下，AI 不再被视为边缘实验，而是贯穿药物研发、患者护理及全球粮食生产的核心杠杆。然而，将 AI 转化为服务于 116,000 名员工的生产级系统，面临着巨大的基础设施挑战：
- 高并发与低延迟：检索系统必须在持续高负载下保持极速响应。
- 数据 grounding：需将大语言模型（LLMs）锚定在真实数据上，以抑制幻觉（Hallucinations）。
- 严格合规：必须满足生命科学行业的严苛合规要求，确保数据不出域。
- 架构演进：系统需从简单的聊天机器人平滑过渡到复杂的自主智能体（Autonomous Agents）。
核心突破：myGenAssist 平台的崛起
拜耳 AI/ML 高级总监 Hooman Sedghamiz 指出，随着 ChatGPT 的普及，AI 从专家工具变成了全员工具。拜耳迅速响应，在三个月内推出了内部生成式 AI 平台 myGenAssist。
该平台已成长为全公司通用的基础设施层：
- 规模：服务全公司，每月处理超过 150 万条消息。
- 数据量：已索引超过 450,000 份上传文档。
- 用户体验：对用户而言，复杂的 RAG（检索增强生成）流程被完全隐藏，仅需简单的文件上传。
技术选型：为何选择 Qdrant？
三年前，拜耳在评估向量搜索引擎时，最初尝试基于 Redis 的原型，但因扩展性不足而放弃。最终，Qdrant 凭借其独特优势脱颖而出：
- 开源与敏捷性：无需繁琐的采购流程，团队可快速测试与迭代。
- Rust 原生性能：基于 Rust 编写，提供了拜耳所需的内存效率与可预测的性能表现，这对生命科学工作负载至关重要。
- 价格性能比：在有限的预算下提供了最优的延迟与吞吐比。
架构演进：混合云与多模态未来
面对合规压力，拜耳放弃了纯自托管模式，转而采用 混合云（Hybrid Cloud） 架构。利用 Kubernetes Operator，拜耳将数据保留在受控的私有环境中以满足合规性，同时将集群管理的重负载卸载至云端。
当前部署规模令人瞩目：
- 集群规模：4 节点 Qdrant Hybrid Cloud 集群。
- 数据量：存储约 1.35 亿个向量点，分布在 7 个集合中。
- 混合向量：最大的用户文件存储集合包含 9100 万个点，采用密集（Dense）与稀疏（Sparse）混合向量技术。
挑战与应对
随着数据模型向多模态（Omnimodal）演进，系统需支持视频、音频及各类资产。拜耳面临的最大工程挑战并非 Qdrant 本身，而是数据同步管道：
- 持续同步：用户将平台视为“文件驱动器”，频繁上传与修改文档，要求向量库与源文档实时一致。
- 解析负载：文档解析前的预处理是主要负载来源，团队需不断优化解析与向量化流程。
“以前人们只看向量数据库用于 RAG 应用，现在他们正在解决企业搜索问题。没有人拥有这样一个全模态搜索引擎，可以搜索视频、音频以及公司生成的所有资产。我们意识到 Qdrant 正在成为那个引擎。”
—— Hooman Sedghamiz, Bayer Senior Director AI/ML
应用价值总结
拜耳的案例展示了 Qdrant 如何从单一的向量检索工具，演变为支撑企业级多模态搜索与智能体系统的基石。通过混合云架构与高性能向量存储，拜耳成功平衡了合规性、扩展性与开发效率，为其他大型组织提供了宝贵的参考范式。
