千万级向量检索：Qdrant 与高吞吐方案怎么选？
InsideDebt6345 · reddit · 2026-08-12
作者探讨了在 10M+ 规模向量场景下，向量数据库在召回率与吞吐量之间的权衡问题。
他引用了一组基准测试数据：在 768 维度、相同硬件下，Qdrant 以约 23 QPS 实现了 0.9985 的高召回率；而 VectorAI DB 则以约 745 QPS 达到了 0.9882 的召回率（吞吐量大幅提升，但召回率略有下降）。
对于大多数 RAG 系统，作者倾向于选择 Qdrant，因为其召回率更高且易于运维。但他向社区求助：当业务规模突破千万级且面临极高查询压力时，是否应该为了吞吐量牺牲部分召回率？还是应该继续使用 Qdrant 并通过增加副本进行扩容？
「Infra」频道最新
- vLLM 联手微软与英伟达，H100/A100 模型加载速度提升 7.3 倍 — vllm_project · 2026-08-12
- 数据中心建设潮遇冷：美国技工短缺成 AI 算力最大瓶颈 — coinfanking · 2026-08-12
- Bloom Energy 涨 14%，核电与燃料电池成 AI 算力新标配 — BenBajarin · 2026-08-12
- 阿里与月之暗面冲刺 10T 参数模型，算力网络内存遇瓶颈 — pstAsiatech · 2026-08-12
- Base Power 获 10 亿美元融资，剑指 AI 时代能源霸主 — Not Boring (Packy McCormick) · 2026-08-12
- 曝英伟达联手华尔街推5000亿美元AI基建融资，引发循环融资担忧 — ocean_protocol · 2026-08-12