Qdrant 是一个用 Rust 编写的开源向量数据库，专门用于存储和检索高维向量数据，是构建语义搜索、RAG（检索增强生成）和 AI 智能体记忆系统的基础设施之一。它在向量数据库赛道中与 Milvus、Weaviate、Pinecone 等产品直接竞争，凭借高性能和轻量部署在开发者社区中占有稳定位置。近期，Qdrant 在压缩技术、智能体框架集成和教育生态三个方向上动作频繁，同时也在通过开源工具扩大自身在 embedding 生态中的话语权。
Qdrant 近期进展
当前焦点与观察点
Qdrant 当前的策略可以概括为三条线：一是技术层面的极致压缩，TurboQuant 的 21 倍压缩数据如果能在生产环境被验证，将直接影响大规模部署的存储成本；二是生态层面的深度绑定，通过 LangGraph 长期记忆集成抢占智能体记忆层的入口，这与向量数据库行业的整体趋势一致——竞争正在从“谁的检索快”转向“谁成为 AI 应用的默认记忆后端”；三是教育与开源层面的持续投入，包括课程、Supernova 工具和 10B 数据集。
用户迁移案例也在增加，例如 Kaivid Labs 将 40 万+ 文档向量从 Milvus 迁移到 Qdrant，说明头部开源向量数据库之间存在实际的用户流动。此外，Qdrant 与 Neo4j 计划在旧金山科技周举办工程师辩论，讨论向量数据库与图数据库的定位之争——这也折射出行业争议点：随着图 RAG 概念升温，向量检索和图查询在知识密集型应用中如何分工，仍是尚未有定论的问题。后续值得观察的是 TurboQuant 的落地效果、智能体记忆集成的采用率，以及轻量版本 Nano 与 Zero 在设备端场景的渗透情况。