向量搜索数据库 Qdrant 在 A 轮融资中筹集了 2800 万美元

原文 ↗ Hacker News 讨论 ↗

Qdrant 是一个基于 Rust 的开源向量搜索数据库，刚刚完成 2800 万美元的 A 轮融资，引发了关于其技术成熟度以及在日益拥挤、逐渐商品化的向量数据库市场中的长期前景的讨论。评论者对其生产使用体验看法不一——既有对性能和易用性的称赞，也有对稳定性和“粗糙边缘”的担忧——并经常将 Qdrant 与 pgvector、Milvus、Weaviate 以及逐步加入向量支持的通用数据库进行比较。讨论还体现出对专用向量数据库业务相较于自建或云厂商方案是否具有防御性的怀疑，以及对 Qdrant 招聘做法的批评与辩护：其筛选机制很大程度上依赖无偿开源贡献。

Qdrant 的实际使用情况

  • 多位评论者表示已在生产环境或接近生产环境中使用。
  • 正面反馈：能够处理数千万向量，支持频繁插入/删除；性能可预测；核心功能（速度、准确性、过滤）被认为很扎实。
  • 负面反馈：有人形容其“边缘还比较粗糙”，不同版本之间存在破坏性变更，且不如成熟数据存储那样稳健。
  • 概念验证用户喜欢其对 RAG 管道的简洁性，以及快速启动内存实例的便利性。

向量数据库 vs 现有数据库/搜索系统

  • 许多人使用带有 pgvector（包括 HNSW）的 Postgres，并倾向于“选择你熟悉的魔鬼”。
  • 有人认为向量数据库本质上是搜索引擎（BASE），而不是完整数据库（ACID）。
  • 多位评论者表示，大多数“普通”数据库和搜索引擎现在都已支持向量，因此质疑在大规模之外是否还需要单独的产品。
  • 也有人重视专用服务的稳健性、混合搜索功能和易用性。

市场、护城河与商业可行性

  • 对“向量数据库”是否是一个真实且持久的品类存在分歧。
  • 怀疑者称其相较于现代 AI 属于低技术含量，预计大型 AI 提供商或现有数据库厂商会吸收这项功能，并怀疑其长期独立业务的可持续性。
  • 支持者则指出，ANN 搜索仍在积极研究中，不同产品间性能差异明显，且企业需求（安全性、分段、可复现性）为其存在提供了理由。
  • 有人提到 Qdrant 是开源的，这既有助于采用，也削弱了护城河。

基准测试与对比

  • 文中提到多个开源和云端选项：Milvus/Zilliz、Weaviate、pgvector、Elasticsearch/OpenSearch、LanceDB、Chroma 等。
  • 讨论了由厂商运行的基准测试（例如 VectorDBBench、Qdrant 自己的基准测试）；有人认为它们有用，也有人认为这只是营销，并非厂商中立。

架构与实现说明

  • Qdrant 的 Rust 代码库因可读性强和采用宽松许可证而受到赞扬。
  • 有一条讨论批评大量使用 Arc（共享指针）属于“Java 风格”；其他人回应说这在异步 Rust 中很自然，并不一定是性能问题。

招聘做法争议

  • 围绕 Qdrant 要求求职者在筛选环节构建开源连接器的招聘方式，出现了激烈争论。
  • 有人认为这是聪明的生态培育方式，也能筛选出更有动机的贡献者。
  • 另一些人则认为这是一种无偿劳动，并且给本就已在面试准备上投入大量精力的候选人增加了额外负担。