Qdrant, o banco de dados de busca vetorial, levantou US$ 28 milhões em uma rodada Série A
Qdrant, um banco de dados de busca vetorial open source baseado em Rust, levantou uma rodada Série A de US$ 28 milhões, provocando debate sobre sua maturidade técnica e perspectivas de longo prazo em um mercado de bancos de dados vetoriais cada vez mais concorrido e em processo de comoditização. Comentadores compartilham experiências mistas em produção — variando de elogios ao desempenho e à facilidade de uso a preocupações com instabilidade e “arestas ásperas” — e frequentemente comparam o Qdrant a alternativas como pgvector, Milvus, Weaviate e bancos de dados de uso geral que passaram a suportar vetores. O tópico também traz ceticismo sobre a defensabilidade de negócios especializados em bancos vetoriais frente a soluções internas ou de provedores de nuvem, além de críticas e defesas às práticas de contratação do Qdrant, que dependem fortemente de contribuições open source não remuneradas como mecanismo de triagem.
Uso real do Qdrant
- Vários comentaristas relatam uso em produção ou quase em produção.
- Relatos positivos: lida com dezenas de milhões de vetores, inserções/exclusões frequentes, desempenho previsível; a funcionalidade central (velocidade, precisão, filtros) é vista como sólida.
- Negativos: descrito por alguns como “cru nas bordas”, com mudanças quebrando compatibilidade entre versões e menos robustez do que armazenamentos de dados maduros.
- Usuários de prova de conceito gostam da simplicidade para pipelines de RAG e da facilidade de subir uma instância em memória.
Banco vetorial vs. bancos de dados/busca existentes
- Muitos usam Postgres com pgvector (incluindo HNSW) e preferem “o diabo que conhecemos”.
- Alguns argumentam que bancos vetoriais são, na verdade, mecanismos de busca (BASE), não bancos de dados completos (ACID).
- Vários comentaristas dizem que a maioria dos bancos de dados e mecanismos de busca “normais” agora suporta vetores, questionando a necessidade de um produto separado, exceto em grande escala.
- Outros valorizam serviços dedicados por robustez, recursos de busca híbrida e facilidade de uso.
Mercado, barreira de proteção e viabilidade de negócio
- Há discordância sobre se “bancos de dados vetoriais” são uma categoria real e duradoura.
- Céticos chamam isso de baixa tecnologia em comparação com a IA moderna, esperam que grandes provedores de IA ou fornecedores de bancos de dados existentes absorvam essa funcionalidade e duvidam de negócios autônomos de longo prazo.
- Defensores apontam pesquisa ativa em busca ANN, variação de desempenho entre produtos e necessidades corporativas (segurança, segmentação, reprodutibilidade) como justificativa.
- Alguns observam que o Qdrant é open source, o que ajuda na adoção, mas enfraquece a barreira de proteção.
Benchmarks e comparações
- Várias opções OSS e na nuvem são citadas: Milvus/Zilliz, Weaviate, pgvector, Elasticsearch/OpenSearch, LanceDB, Chroma e outras.
- Benchmarks conduzidos por fornecedores (por exemplo, VectorDBBench, o próprio do Qdrant) são discutidos; alguns os veem como úteis, outros como marketing e não neutros em relação ao fornecedor.
Notas de arquitetura e implementação
- A base de código em Rust do Qdrant é elogiada por ser legível e por ter licença permissiva.
- Um thread critica o uso intenso de
Arc(ponteiros compartilhados) como “estilo Java”; outros respondem que isso é natural em Rust assíncrono e não necessariamente um problema de desempenho.
Controvérsia sobre práticas de contratação
- Há um debate significativo sobre a abordagem de contratação do Qdrant, que exige que candidatos construam conectores open source como tarefa de triagem.
- Alguns veem isso como uma forma inteligente de semear o ecossistema e de auto-selecionar colaboradores motivados.
- Outros consideram trabalho não remunerado e mais um fardo para candidatos que já investem muito em preparação para entrevistas.