技能介绍

要解决的问题

在基于 Qdrant 的线上检索链路里，最常见的三类故障都不是"数据库坏了"，而是相关性出了问题：召回不足（应该命中的文档没进 Top-K）、无关匹配（语义差距很大的文本排在了前面）、以及嵌入或分块错误（向量本身就表达错了，比如超长文档没切就直接入库）。这些症状往往同时出现，根因却分散在 embedding、chunking、collection 配置和查询构造等多个环节，逐个手写排查脚本既慢又容易漏。

技能如何工作

它围绕官方 qdrant-search-quality 构建了一条有边界的搜索质量调优工作流，而不是一个通用的数据库能力清单。核心动作包括：

在真实检索流水线上复现问题，而不是在离线玩具数据集上验证
对召回不足、无关匹配、嵌入/分块错误三类症状做分类定位
沿着检索链路逐段归因，判断问题出在向量表达、分块粒度还是查询侧构造
配合跨语言的客户端 SDK 示例验证修复，覆盖 Python、TypeScript、Rust、Go、.NET、Java

适用边界与注意点

这是一条调优工作流，不负责集群运维、扩缩容规划或底层性能调优。上游文档里特别提到一个典型误区：当 50M 向量的单节点搜索变慢时，"加更多节点"往往不是正确答案——拓扑调整应当最后考虑。如果你的诉求是写入门教程或做常规的数据库操作，这套技能的针对性就太强了。相关上游定义与文档见 github.com/1991513ccie-png/skills 与 Qdrant 官方 qdrant/skills 仓库。