Qdrant, la base de datos de búsqueda vectorial, recaudó $28M en una ronda Serie A
Qdrant, una base de datos de búsqueda vectorial de código abierto basada en Rust, ha recaudado una ronda Serie A de $28M, lo que ha provocado debate sobre su madurez técnica y sus perspectivas a largo plazo en un mercado de bases de datos vectoriales cada vez más concurrido y comoditizado. Los comentaristas comparten experiencias mixtas en producción, desde elogios por el rendimiento y la facilidad de uso hasta preocupaciones por la inestabilidad y los “rough edges”, y suelen comparar Qdrant con alternativas como pgvector, Milvus, Weaviate y bases de datos de propósito general que añaden soporte vectorial. El hilo también refleja escepticismo sobre la defensibilidad de los negocios especializados de vector DB frente a soluciones internas o de proveedores cloud, junto con críticas y defensas de las prácticas de contratación de Qdrant, que se apoyan en gran medida en contribuciones open source no remuneradas como mecanismo de selección.
Uso real de Qdrant
- Varios comentaristas informan un uso en producción o casi en producción.
- Informes positivos: maneja decenas de millones de vectores, inserciones/eliminaciones frecuentes, rendimiento predecible; la funcionalidad central (velocidad, precisión, filtros) se considera sólida.
- Negativos: algunos lo describen como “rough around the edges”, con cambios incompatibles entre versiones y menos robustez que los almacenes de datos maduros.
- Los usuarios de proof-of-concept valoran la simplicidad para pipelines de RAG y la facilidad de levantar una instancia en memoria.
Vector DB vs Bases de datos / búsqueda existentes
- Muchos usan Postgres con pgvector (incluido HNSW) y prefieren “the devil you know”.
- Algunos argumentan que las vector DB en realidad son motores de búsqueda (BASE) y no bases de datos completas (ACID).
- Varios comentaristas dicen que la mayoría de las bases de datos y motores de búsqueda “normales” ya soportan vectores, cuestionando la necesidad de un producto separado salvo a gran escala.
- Otros valoran los servicios dedicados por su robustez, funciones de búsqueda híbrida y facilidad de uso.
Mercado, moat y viabilidad comercial
- Hay desacuerdo sobre si las “vector databases” son una categoría real y duradera.
- Los escépticos la consideran de baja tecnología comparada con la IA moderna, esperan que grandes proveedores de IA o los vendedores de bases de datos existentes absorban esta funcionalidad y dudan de negocios independientes a largo plazo.
- Los partidarios señalan la investigación activa en búsqueda ANN, la variación de rendimiento entre productos y las necesidades empresariales (seguridad, segmentación, reproducibilidad) como justificación.
- Algunos señalan que Qdrant es open source, lo que a la vez ayuda a la adopción y debilita el moat.
Benchmarks y comparaciones
- Se citan múltiples opciones OSS y cloud: Milvus/Zilliz, Weaviate, pgvector, Elasticsearch/OpenSearch, LanceDB, Chroma y otras.
- Se discuten benchmarks ejecutados por proveedores (por ejemplo, VectorDBBench, el propio de Qdrant); algunos los ven útiles, otros como marketing y no neutrales respecto al proveedor.
Notas de arquitectura e implementación
- Se elogia la base de código Rust de Qdrant por ser legible y por su licencia permisiva.
- Un hilo critica el uso intensivo de
Arc(punteros compartidos) como “Java-style”; otros responden que esto es natural en Rust asíncrono y no necesariamente un problema de rendimiento.
Controversia sobre prácticas de contratación
- Debate importante sobre el enfoque de contratación de Qdrant, que exige a los candidatos construir conectores de open source como tarea de filtrado.
- Algunos lo ven como una forma inteligente de sembrar el ecosistema y de auto-seleccionar contribuyentes motivados.
- Otros lo consideran trabajo no remunerado y una carga más para candidatos que ya invierten mucho en la preparación de entrevistas.