Qdrant 免费积分价值多少？
Qdrant 为初创公司提供 2,000 美元的免费积分，可用于 Qdrant Cloud，这是其开源向量数据库的托管版本。
与此类别中其他六位数的赠款相比，这个数字微不足道，值得正确理解而不是忽略。Qdrant 采用 Apache 2.0 许可，并且可以自托管，因此付费产品是托管服务，而不是引擎。积分是托管预算，而不是访问密钥。
资格取决于阶段和融资情况，并且基础设施计划的条款变动比模型计划的条款更多。AI Perks 跟踪当前版本以及为 194 家公司提供的 770 万美元积分。
Qdrant 实际做什么
Qdrant 将嵌入与结构化元数据一起存储，并在毫秒内返回查询向量的最近匹配项。它用 Rust 编写，作为一个独立的二进制文件发布，并且在笔记本电脑上的行为与在生产环境中相同。
每一个回答私有文档问题、按含义而非关键字搜索、推荐相似项目、去重记录或为代理提供长期记忆的产品都需要这个层。你要么自己运行它，要么租用它。
三个特性使 Qdrant 从同类产品中脱颖而出：
Payload 是第一公民。 元数据与向量一起存在并且可以被索引，因此过滤器是查询的一部分，而不是对结果的第二次遍历。下面将详细介绍为什么这很重要。
这是一个独立的二进制文件。 本地开发具有同等性是一个真正的操作优势。您可以在本地机器上的 Docker 容器中运行相同的引擎，也可以在托管集群中运行，这消除了“在本地工作”的意外情况。
许可很宽松。 Apache 2.0 意味着自托管可以永久可用。这是一种谈判筹码，而不是一个计划：知道您可以迁移可以使托管账单保持诚实。
过滤搜索是检索产品失效的地方
几乎没有生产查询是“查找相似”。而是“查找相似，在客户的文档中，来自最近 90 天，属于此类型”。这种组合，而不是原始相似性，是大多数向量搜索默默失效的地方。
失效具有特定的模式。朴素的实现采用后过滤：检索最接近的 100 个向量，然后丢弃不符合过滤条件的向量。如果过滤器很具选择性，您只会得到三个结果，或者零个，即使索引没问题，产品看起来也像是坏的。
另一种方法，通过对匹配的子集进行暴力预过滤，是正确的但一旦子集变大就会变慢。Qdrant 的解决方案是在图遍历过程中应用过滤条件，并使搜索图在过滤下保持连接，并由您过滤的字段上的 payload 索引支持。工程细节的重要性不如其结果：过滤后的查询始终保持快速和完整。
这是任何销售 B2B 软件的公司最重要的属性，因为多租户产品中的每个查询都按租户进行过滤。如果您的检索在过滤器下退化，它会同时对每个客户退化。
向量数据库的规模化成本如何变化
向量搜索成本由您存储的向量数量乘以它们的维度决定，而不是由您运行的查询数量决定。空闲的大型语料库索引成本很高。繁忙的小型语料库索引成本很低。
这与模型 API 的计费方式相反，这就是为什么创始人如此一致地低估这个项目的成本。以下是百万个向量的计算，不包括索引开销：
| 存储模式 | 每维位数 | 100 万向量（768 维） | 100 万向量（1536 维） |
|---|---|---|---|
| float32 内存 | 32 | ~3.1 GB | ~6.1 GB |
| 标量量化 (int8) | 8 | ~0.8 GB | ~1.5 GB |
| 二进制量化 | 1 | ~0.1 GB | ~0.2 GB |
| 磁盘内存映射 | 32，分页 | RAM 持有索引 | RAM 持有索引 |
将这些视为下限。图形开销和 payload 在此之上。
两个杠杆比您对代码所做的任何事情更能改变局面。量化压缩存储的向量，Qdrant 可以使用全精度向量对候选列表进行重新评分，以恢复大部分丢失的召回率，这使得它不像听起来那么大的降级。维度选择是另一个：许多嵌入模型现在支持缩短的输出，将维度减半会将整个表减半。
实际的收获是，分块策略是一个成本决策，而不仅仅是质量决策。将文档分成更小的部分会使您的向量计数和内存账单成倍增加。AI Perks 跟踪此层上的积分，以便您可以在发票教会您之前以真实规模进行测试。
2000 美元积分实际用于什么
2000 美元的赠款不是一年的运营资金。它足以让您的真实语料库以真实规模运行足够长的时间，以了解生产成本是多少，这比金钱更有价值。
根据 10,000 行样本来估算向量账单的团队通常会出错一个数量级。召回率、过滤性能以及量化带来的质量下降都随着语料库大小而变化，而且这些都无法从玩具索引中清晰地推断出来。
所以，将积分用作测量工具，而不是折扣：
加载所有内容，而不是样本。 关键在于看到在小规模下看不到的行为。
使用过滤器进行查询。 测试您的产品实际会发出的查询模式，包括租户过滤器。
测量您量化设置下的召回率。 用数字而不是偏好来决定内存权衡。
然后将自托管与托管进行定价。 使用真实的索引大小，这将变成算术而不是争论。
时机和金额一样重要。积分有时间限制，因此在您仍在选择分块大小时激活赠款会将大部分积分用在空索引上。将时钟对准您拥有语料库和流量的时刻。当前的计划及其条款可在 AI Perks 上找到。
Qdrant 积分可以与什么叠加
检索在三个地方计费：创建嵌入、存储和搜索它们，以及生成答案。向量数据库赠款涵盖了三者之一。
| 层 | 如何计费 | 积分在哪里 |
|---|---|---|
| 嵌入 | 每个文档一次，每次模型更改后再次 | OpenAI, Cohere, Voyage, Mistral |
| 向量存储和搜索 | 持续，由内存驱动 | Qdrant, Pinecone, Weaviate |
| 生成 | 每个答案，每个用户 | Anthropic, OpenAI, Google, xAI |
| 计算和托管 | 持续，由正常运行时间驱动 | AWS, Google Cloud, Azure, Modal |
嵌入行是人们容易忽略的。您只需要为索引嵌入语料库一次，然后每次更改模型时都会重新嵌入所有内容。嵌入升级是一个完整的重新索引，对于大型语料库来说，这是一个真实的账单，而不是一个后台作业。
持有多个层的积分可以让团队在不召开预算会议的情况下改变主意。这就是叠加的实际论据。
创始人对向量数据库的误解
最常见的两个错误是：在产品需要之前就采用它，以及将检索质量视为模型问题，而它通常是过滤或分块问题。
五个值得避免的失败：
过早开始。 Postgres 搭配 pgvector 可以处理几十万个向量和简单的查询，并且可以从您的堆栈中移除一个服务。专用的向量数据库在大规模、持续的查询量或过滤搜索开始返回太少的结果时才值得其存在的价值。
在多租户到来之前忽略过滤器。 到那时，查询模式已经固定，修复就需要迁移。
将量化视为降级。 这是 6 GB 索引和 1.5 GB 索引之间的区别，并且通过重新评分，召回率损失通常可以忽略不计。测量它而不是猜测。
混淆开源与免费。 自托管消除了许可费用，但并未消除内存账单或值班轮换。
忘记嵌入端。 存储积分涵盖了一半的检索账单。同时寻找两者（嵌入和存储）的创始人可以获得一年的资金。其余的则为四分之一。两个方面都在 AI Perks 上列出。
常见问题解答
Qdrant 积分价值多少？
Qdrant 为初创公司提供 2,000 美元的免费积分，可用于 Qdrant Cloud，而不是开源引擎，后者是免费的。它的去向取决于语料库大小和向量维度，而不是查询量，因为成本是由内存驱动的。当前条款和资格可在 getaiperks.com 上跟踪。
Qdrant 可以免费使用吗？
是的，在重要的意义上：Qdrant 采用 Apache 2.0 许可，您可以在自己的硬件上运行它，无需支付许可费。需要付费的是 Qdrant Cloud（托管服务），以及您的索引无论存储在哪里所消耗的内存。自托管是用金钱换取运营工作。
我需要向量数据库，还是 pgvector 就够了？
对于几十万个向量和简单的查询，Postgres 搭配 pgvector 通常就足够了，并且可以从您的堆栈中移除一个服务。专用的向量数据库在大约数千万个向量、持续的查询负载，或繁重的过滤和多租户搜索时才值得其存在的价值，此时朴素的实现会急剧退化。
Qdrant 需要多少 RAM？
比大多数团队预算的都要多。未压缩的 32 位向量每维每向量大约需要 4 字节，因此一百万个 1536 维向量大约是 6 GB，不包括索引开销。标量量化将其减少近四倍，二进制量化则进一步减少，这使得量化成为一个规划决策而不是优化。
我可以将 Qdrant 积分与 OpenAI 或 Anthropic 积分合并使用吗？
是的，它们涵盖不同的账单。Qdrant 负责存储和搜索您的向量，嵌入提供商负责创建它们，模型提供商负责生成答案。拥有跨这三者的积分的团队可以覆盖一个检索产品的实际第一年。您可以在 getaiperks.com 上查看哪些组合存在。
Qdrant 的主要替代品是什么？
Pinecone, Weaviate, Milvus, Chroma，以及带 pgvector 的 Postgres。Qdrant 的独特之处在于其 Rust 引擎、过滤模型以及允许自托管作为真正选项而非虚张声势的宽松许可证。AI Perks 在 getaiperks.com 上跟踪整个类别的积分计划。
存储向量。让别人支付内存费用。