技能介绍

向量检索落地的工程痛点

把向量检索从 demo 变成生产组件时，最常遇到的问题是把向量库当成黑盒：维度对不上、距离度量选错、索引参数照搬默认，结果召回率忽高忽低，延迟却随数据量线性上涨。本文聚焦 Qdrant 向量库本身，帮助你把建模、调参和运维拆解成可落地的工程步骤，而不是泛化地讲一套 RAG 流程。

核心能力与工程四步法

本技能围绕以下四个关键环节展开：

建模集合：定义向量维度，并让 距离度量（余弦、欧氏或点积）与嵌入模型的训练方式严格对齐，避免相似度失真。
配索引参数：调整 HNSW 的 m 与 ef_construct，在召回率与内存占用之间找到平衡，而不是盲目信任默认值。
混合检索：将标量过滤与向量检索结合，利用 payload 承载元数据约束，让结果在精度上真正可控。
运维扩缩：规划分片与副本策略，持续监控内存与延迟，并在数据量膨胀时引入量化压缩，但需验证精度损失。

适用边界与常见陷阱

需要注意，本技能不覆盖完整的 RAG 编排逻辑，而是专注于向量底座本身。常见的坑包括：嵌入模型用余弦训练却选了点积、只调 ef 不调 m 导致性能两伤、全量召回不加分片或过滤，以及为省内存启用强量化却忽视精度掉档。AI 输出请以 Qdrant 官方文档为准，关键决策应结合其他校验手段，避免单一向量召回带来的偏差。