Qdrant 亮相旧金山：Vector Space Day 2026 回顾与核心突破

2026 年 6 月 11 日，Qdrant 首次在美国旧金山 Midway 举办了 Vector Space Day，吸引了超过 350 名开发者、研究人员和工程师参与。作为 Qdrant 在美国的首次大型聚会，此次盛会聚焦于 Agents and Memory、Search and Retrieval 以及 Edge and Robotics 三大主题，旨在构建一个面向构建者的社区。

核心定位：做难的正确工程

Qdrant 联合创始人兼 CEO André Zayarni 在开场演讲中提出了核心愿景："We Do It the Hard Way"（我们走最难的路）。他指出，Qdrant 通过构建 Rust 核心、自研的 GridStore 存储层以及厂商无关的 GPU 加速索引，将复杂的底层工程难题解决掉，让上层应用开发者无需担忧基础设施的复杂性。

COO Manuel Meyer 进一步澄清了 Qdrant 的本质："Qdrant is not a vector database, it is a vector search engine."（Qdrant 不是向量数据库，而是向量搜索引擎）。 这一区别至关重要，意味着 Qdrant 愿意为了规模、速度和韧性，在一致性上做出权衡。其核心设计理念是将 Retrieval（检索） 视为产品搜索、RAG、推荐系统及多模态搜索的底层原语，并通过 3C 原则（Composability 可组合性、Controllability 可控性、Configurability 可配置性）提供高度灵活的检索能力。

三大技术亮点与案例

1. 混合检索与可解释性：Neo4j 的 GraphRAG

在 Agents and Memory 赛道，Neo4j 的 Stephen Chin 展示了如何将向量搜索与知识图谱结合。他提出将 Agent 记忆分为短期、长期和推理记忆，并强调 Reasoning Memory（推理记忆） 的缺失是许多系统的问题。通过 GraphRAG 模式（先向量检索再图遍历），不仅能提高准确性，还能提供可解释的决策路径，解决了纯向量检索无法回答“为什么”的问题。

2. 亿级向量集群运维：HubSpot 的 Vector-as-a-Service

HubSpot 的 Oleg Tereshin 和 Xin Liu 分享了其基于 Qdrant 构建的中央搜索平台，该平台管理着 200 亿+ 向量，分布在 150 个集群和 5 个区域。关键突破在于从 Helm 迁移到 Kubernetes Operator 模式，实现了集群秒级启动、自动分片管理，并通过一次重平衡操作将资源使用偏差降低了 65%。

3. 检索评估方法论：Arize 的“停止凭感觉发布”

Arize AI 的 Laurie Voss 强调了评估的重要性，指出 “Looks good to me”不是有效的评估策略。核心观点是：Similarity（相似度）不等于 Relevance（相关性）。为了发现隐藏的失败，必须直接使用准确率、精确率和召回率等指标进行评估，并建立基于真实生产轨迹的 Golden Dataset，结合更好的分块、混合检索和重排序（Reranker）策略。

生态扩展与未来展望

除了上述重磅演讲，会议还涵盖了 Slack 关于“万亿级消息索引”的 Lambda 架构实践，以及 Google DeepMind 关于动态技能文件（SKILLS.md）的探讨，标志着 Agent 技术正从静态配置向动态、循环推理演进。

Qdrant 通过此次盛会不仅展示了其技术实力，更确立了其作为 Edge and Robotics 领域关键检索引擎的地位，致力于让检索能力跟随工作负载从云端延伸至边缘设备。

"Doing it the hard way means a Rust core, an in-house storage layer called GridStore, vendor-agnostic GPU-accelerated indexing, and TurboQuant..." — André Zayarni, Co-Founder & CEO, Qdrant