Qdrant 2025 路线图解读Serverless、向量相似度挖掘与混合搜索演进附仓库源码印证【免费下载链接】qdrantQdrant - High-performance, massive-scale Vector Database and Vector Search Engine for the next generation of AI. Also available in the cloud https://cloud.qdrant.io/项目地址: https://gitcode.com/GitHub_Trending/qd/qdrant本文基于 Qdrant 官方仓库中的 2025 年度开发路线图docs/roadmap/README.md逐条解读 Qdrant 2025 年的五大战略目标与核心里程碑并结合当前仓库中已落地的实现服务端嵌入推理、全文索引分词器与停用词/词干提取、内置分数加权等说明这些规划在代码层面的真实进展。读完本文你可以清楚掌握 Qdrant 的版本兼容策略、2025 年功能演进方向、哪些能力已经可以在当前代码库中验证以及如何参与社区贡献。一、路线图定位与历史脉络docs/roadmap/README.md 是 Qdrant 2025 年的官方开发计划文档它延续了每年发布路线图的惯例。同目录下的 roadmap-2024.md、roadmap-2023.md、roadmap-2022.md 记录了往年的规划与完成情况形成了可追溯的年度演进链2024 年主线见 roadmap-2024.md稀疏向量低成本化、混合搜索进入客户端Dense Sparse Fusion 单请求、分片同步提速非阻塞快照、增量复制、文本索引性能优化、IO 优化与 GPU 加速等大多已勾选完成2025 年主线见 README.md在延续 2024 未竟事项Diversity Sampling、读写分离、只读节点、多区域复制的基础上新增 Serverless 就绪、端到端嵌入集成、向量相似度挖掘三大方向。这种“上年未完成项滚入下年计划”的写法本身也是阅读这份路线图时的重要线索2025 文档中 Scalability 一节的三个子项Read-only nodes、Incremental snapshots、Multi-region replication均与 2024 文档中的 [ ] 未完成项对应。二、五大战略目标详解2.1 保持升级简单Maintain easy upgrades路线图明确承诺了四条兼容性规则这是对生产用户最关键的保障向后兼容至少一个 minor 版本服务端可平滑升级客户端代码在一个或多于一个minor 版本区间内无需修改即可无停机升级前向客户端兼容计划维护多个 minor 版本的前向客户端兼容版本不兼容会在 release notes 中声明并且会自动跟踪服务端与客户端的版本兼容性发现失配时主动通知存储格式连续版本兼容任意两个相邻版本间存储兼容升级时可自动完成数据迁移RocksDB 退出的预案路线图明确写着“我们计划最终从 RocksDB 迁移出去因此未来某次升级流程中可能引入数据迁移”——这是 2025 路线图相对 2024 版本新增的表述意味着用户应关注未来升级时可能出现的迁移步骤。2.2 持续扩展性Continue to improve scalability目标定位非常直接Qdrant 要成为十亿级billion-scale向量检索场景的“首选方案”。2024 路线图已完成稀疏向量与混合搜索的基础设施建设2025 年聚焦于剩余的性能与架构短板对应下一节的 Scalability 里程碑。2.3 向量相似度挖掘Focus on vector similarity这是 2025 路线图中最具产品视野的目标。原文指出向量相似度的价值不止于“搜索”——即使没有具体的查询向量相似度也能揭示数据的内在结构如聚类、异常检测、去重、关系发现。Qdrant 计划为此引入更多函数、demo 与教程。结合仓库现状可以看到支撑这一方向的既有能力2024 路线图已完成的 Discovery API 改进与多向量Multi-vectors支持见 roadmap-2024.md 中已勾选的 “[x] Improvements in Discovery API” 与 “[x] Multi-vectors support”以及仓库中 lib/collection/src/recommendations.rs、lib/collection/src/discovery.rs 等推荐与发现接口的实现构成了该方向的功能底座尚未完成的Diversity Sampling多样性采样则是要在“召回相似结果”之外进一步控制结果集合的多样性是典型的相似度挖掘能力扩展。2.4 端到端处理End-to-end processing计划与 embedding 提供商做更紧的集成缩小“本地开发”与“生产部署”之间的差距。这一目标在当前代码库中已有实质性落地见下文 4.1 节的服务端嵌入推理实现。2.5 Serverless 就绪Serverless2025 年 Qdrant 计划成为 serverless-ready。路线图特别强调不同于其他方案推出独立的 serverless 产品Qdrant 的策略是让 Qdrant 本体直接可在 serverless 环境中运行用户只为实际使用的资源付费。这意味着未来的容器/启动流程、存储分层如 S3 作为向量与 payload 存储见 Scalability 里程碑都需围绕冷启动与按量计费场景优化。三、核心里程碑Core Milestones逐项解读路线图按三大板块组织里程碑下方复述原文清单并对每一项结合当前仓库代码给出进展印证。3.1 搜索与发现Search and Discovery原文清单Diversity Sampling多样性采样未完成Server-side embedding inference服务端嵌入推理已完成Built-in score boosting内置分数加权已完成Advanced text filtering高级文本过滤进行中Phrase queries短语查询已完成Logical operators逻辑算子未完成Stemmers词干提取已完成Stopwords停用词已完成已完成项的仓库证据服务端嵌入推理src/common/inference/ 目录下包含完整的推理服务实现如 service.rs、local_model.rs本地模型加载、batch_processing.rs 与 batch_processing_grpc.rs批量与 gRPC 通道、bm25_inference.rs稀疏向量 BM25 推理、api_keys.rs嵌入提供商 API 密钥管理。这与 2025 目标“与 embedding 提供商更紧集成”一脉相承查询/更新请求可在服务端直接完成文本到向量的转换。内置分数加权Built-in score boosting通用查询Query API支持通过任意公式对得分做加权。从源码结构看lib/collection/src/operations/universal_query/collection_query.rs 中存在 “Score boosting via an arbitrary formula” 的注释说明API 层的请求定义也在 lib/api/src/rest/schema.rs 与 lib/api/src/grpc/proto/points.proto 中暴露了 boost 相关字段。Stemmers 与 Stopwords词干提取与停用词全文索引位于 lib/segment/src/index/field_index/full_text_index/词干提取实现见 tokenizers/stemmer.rs多语言分词器见 tokenizers/multilingual.rs停用词模块 stop_words/ 按语言组织常量停用词表其 README.md 说明该目录包含用于全文检索索引的多语言停用词数组用于过滤掉对查询意义不大的常见词目录下已有 spanish.rs、italian.rs、catalan.rs、slovene.rs、japanese.rs 等多种语言的实现。未完成项的含义Diversity Sampling2024 路线图遗留项计划让检索结果在相似性之外具备多样性可推断将结合向量空间分布做重排或采样具体设计以未来 release notes 为准Logical operators文本过滤中的布尔/逻辑算子组合能力是与 Phrase queries 互补的检索语法扩展。3.2 扩展性Scalability原文清单均为进行中/未完成Read/write segregation advanced support高级读写分离Read-only nodes只读节点Incremental snapshots增量快照Multi-region replication多区域复制S3 as a vectorpayload storage以 S3 作为向量与 payload 存储这一整节基本是 2024 路线图“Specialized nodes / Multi-region deployments”未完成项的延续。其中“S3 作为向量与 payload 存储”与 Serverless 目标强相关冷数据下沉到对象存储后实例可弹性缩容甚至缩零这正是 serverless 计费模式的物理基础。3.3 性能Performance原文清单Incremental HNSW indexing增量 HNSW 索引已完成Built-in TTL support内置 TTL 支持未完成增量 HNSW 索引意味着新写入的向量可以增量地并入 HNSW 图结构避免全量重建索引带来的性能抖动仓库中 lib/segment/benches/hnsw_incremental_build.rs 提供了对应的基准测试可作为验证该能力性能的入口。内置 TTL数据按时间自动过期则面向时效性强的向量数据场景如会话记忆、短期缓存型向量属于当前代码中尚未落地的规划项。四、与代码仓库现状的对照总结2025 里程碑状态当前仓库印证Server-side embedding inference已完成src/common/inference/ 完整推理服务实现Built-in score boosting已完成collection_query.rs 公式化加权、rest/schema.rs API 字段Phrase queries / Stemmers / Stopwords已完成full_text_index/ 分词器、stemmer 与多语言停用词模块Incremental HNSW indexing已完成hnsw_incremental_build.rs 基准测试Diversity Sampling未完成功能底座recommendations.rs、discovery.rs读写分离 / 只读节点 / 多区域 / S3 存储未完成属 2024 遗留项roadmap-2024.mdBuilt-in TTL未完成当前无对应实现属规划项五、如何参与路线图推进How to contribute路线图原文给出了两类贡献路径用户侧数据科学家 / ML 工程师 / MLOps最有价值的贡献是使用体验反馈——遇到问题、发现异常行为或文档缺失时通过官方 issue、discussion 或社区渠道反馈如果使用 Qdrant 或 Metric Learning 构建了项目也欢迎在社区分享文章与 demo。代码侧熟悉 Rust 的开发者按仓库根目录的 CONTRIBUTING.md 贡献指南参与开发对代码或架构有疑问时官方鼓励随时提问。需要注意的是路线图中的勾选状态随仓库演进而变化阅读时以当前版本的文档内容为准本文所述“已完成/未完成”均以 docs/roadmap/README.md 当前提交中的复选框状态为唯一依据。六、对使用者与集成方的三点提示升级策略在“向后兼容一个 minor 版本 存储相邻版本兼容”的承诺下可以按 minor 版本逐级滚动升级但由于存在未来脱离 RocksDB 的计划跨大版本升级前务必阅读 release notes 中关于数据迁移的说明。功能可用性判断混合搜索Dense Sparse Fusion、Discovery/推荐 API、Query API 的 score boosting、短语查询、停用词与词干提取等能力在当前代码库中已有实现可在自己的部署版本中直接验证Diversity Sampling、只读节点、多区域复制、TTL 等仍处规划/进行中选型评估时应将其视为“即将提供”而非“现在可用”。版本兼容性自动化路线图提到未来将自动跟踪服务端与客户端版本失配并通知这为多版本客户端共存的环境如滚动发布期间提供了额外的安全网值得关注后续版本的 release notes。【免费下载链接】qdrantQdrant - High-performance, massive-scale Vector Database and Vector Search Engine for the next generation of AI. Also available in the cloud https://cloud.qdrant.io/项目地址: https://gitcode.com/GitHub_Trending/qd/qdrant创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考