在 Qdrant 上构建电商搜索的经验教训
Qdrant 用 580 万条真实 Amazon 服饰商品搭建了 Qdrant Shopping 演示店铺，每次文本搜索都是对 Query API 的单次请求，约 40 毫秒返回排序货架，代码已开源于 GitHub。
#RAG
#RAG
今日 6 条QdrantAI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate • vector database(@weaviate_io)AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 更大的上下文窗口救不了智能体 RAG，Weaviate 拆解五个关键系统
Weaviate 指出，更大的上下文窗口无法修复有问题的智能体 RAG 流程，长上下文会引入矛盾信息、淹没相关工具并导致后续输入被忽略。其视频将智能体 RAG 流程拆解为查询增强、检索、记忆、工具、智能体五个系统，强调生产级智能体 RAG 本质是上下文工程问题。
Firecrawl(@firecrawl_dev)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Firecrawl 用新自研模型为智能体提取网页最相关上下文
Firecrawl 上线了一个新的自研模型，用于从每条抓取结果中提取最相关的上下文。该模型会针对用户查询为每个段落、列表和表格打分，让智能体直接拿到关键摘录，无需消耗 token 处理充满噪声的页面。
Weaviate • vector database(@weaviate_io)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Engram 如何为多智能体 pipeline 实现异步持续记忆
Weaviate 的 Engram 通过后台异步 pipeline 为多智能体系统提供持续学习记忆，无需阻塞、不产生重复。向 Engram 添加数据后，pipeline 会按配置的 topics 提取记忆、检索并调和已有记忆（去重、处理偏好变化、更新事实），再提交结构化记忆到 Weaviate。
QdrantAI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 增量嵌入更新教程：让向量搜索与文档变更同步
Qdrant 发布增量嵌入更新教程，提供一套从第一天就能部署的流水线，检测文本数据变更并只重新嵌入改动的分块：未变的分块保持不动、文本移动时复用向量、新增与删除同步处理。
NotebookLM(@NotebookLM)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NotebookLM 推出 Collections 笔记本整理功能
NotebookLM 上线 Collections，以全新标签页形式整理笔记本，类似相册或播放列表，不设固定文件夹结构。笔记本可加入任意多个 Collection，也可跳过并继续使用"My Notebooks"标签页。该功能即日起向所有用户推送。
Weaviate • vector database(@weaviate_io)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 托管版 Weaviate 上线 DigitalOcean 公开预览
托管版 Weaviate 现已在 DigitalOcean 上开启公开预览，由 DigitalOcean 负责基础设施：资源开通与安全、每日自动备份、补丁与版本升级、高可用与存储自动扩缩容、时间点集群分叉，以及控制面板中的性能洞察与日志。
Character.AI(@character_ai)AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Character.AI 上线 Lorebooks：带 Lore 的角色已进入 Discover 与搜索流
Character.AI 的 Lorebooks 功能上线，附带 Lore 的角色现已出现在 Discover 和 Search 信息流中，可通过 +Lore 标签识别。已发布的 Lorebooks 可在角色主页和创作者资料页找到，点击即可探索其世界观。
Weaviate • vector database(@weaviate_io)AI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 发布 Engram 演示：让 AI 智能体主动维护记忆而非堆砌对话
Weaviate 发布 Engram 演示，用异步流水线主动维护记忆，替代把整段对话塞进上下文或存储每条消息两种做法。Engram 从对话中提取匹配配置主题的信息，与已有记忆调和去重、更新偏好与事实，再将结构化的分域记忆存入 Weaviate 供语义检索，使智能体随交互持续改进而不被上下文污染。
土猛的员外AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AIS 知识引擎如何设计企业级文档解析：解析引擎、解析实例与解析策略
TorchV 的 AIS 知识引擎把企业文档解析拆成解析引擎、解析实例、解析策略三层，策略按文件类型路由，PDF 可走 MinerU 并开启公式、表格、图片理解，Word 走 TorchV 默认解析，Excel 走 TextIn，音频走 Qwen ASR。
Weaviate • vector database(@weaviate_io)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Playground 上线电商演示 WeCommerce，自动路由 BM25 与向量检索
Weaviate Playground 新增电商演示 WeCommerce，可将关键词、心情或氛围查询自动路由至 BM25、语义向量搜索或混合检索，并支持按类别、品牌、价格实时分面过滤。商品页通过近邻对象向量搜索展示相似商品，同一集合同时驱动发现与推荐，无需额外基础设施。该演示可在 Weaviate Cloud 免费层部署。
Weaviate • vector database(@weaviate_io)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Playground 推出关键词、向量与混合搜索对比演示
Weaviate 在 Playground 上线关键词、向量与混合三种搜索的并排对比演示，支持在 landmarks、movies、science、games、Pokemon 等真实数据集上测试查询。BM25 按 TF-IDF 式评分匹配精确词句，向量搜索用稠密嵌入捕捉语义，混合搜索并行运行两者并用 reciprocal rank fusion 合并结果。演示也支持粘贴自己的数据。
Weaviate • vector database(@weaviate_io)AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Playground 推出新闻主题演示：用向量聚类自动组织头条
Weaviate Playground 上线一个新闻主题演示，每 2 小时抓取 general、world、business、technology、sports、health 六个类目的新闻头条，将其转为 1,536 维向量存入 Weaviate，再用 Leiden 算法聚类并由 LLM 为每个聚类生成标签，读者可在语义、关键词与混合搜索间切换。该演示附带 copy prompt，支持自行搭建。
Weaviate • vector database(@weaviate_io)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Query Agent 演示对话式欺诈检测：自然语言直查三集合
Weaviate 在 Weaviate Playground 上线欺诈检测演示，由 Weaviate Query Agent 驱动，可将自然语言问题自动转成带过滤和聚合的结构化数据库查询，并同时检索 Transactions、Customers、PhoneProducts 三个关联集合，实时返回结果。
QdrantAI 评估 · 48/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 48/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 如何实现分支感知的语义代码搜索
Qdrant 提出分支感知的语义代码搜索方法，用向量索引按语义检索代码，并让每次查询只作用于某一分支的实时视图：包含该分支自身的提交及其从祖先继承的内容，排除后续提交已替换的版本。
Weaviate • vector database(@weaviate_io)AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Playground 推出交互式演示，对比 BM25、向量与混合搜索
Weaviate 在 Playground 上线交互式演示，让用户在同一批数据上对比 BM25 关键词搜索、向量语义搜索和混合搜索的返回结果差异。其中混合搜索并行运行关键词与向量两种方式，再用倒数排名融合或加权组合合并结果列表。演示提供地标、电影、科学、游戏、宝可梦等数据集，也可用自己的数据尝试。
Weaviate • vector database(@weaviate_io)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 在 Playground 推出 WeCommerce 电商搜索演示，融合 BM25、向量与混合检索
Weaviate 在 Playground 中搭建了电商搜索演示 WeCommerce，把关键词、语义与混合检索整合进同一套产品发现流程。用户输入关键词、情绪或氛围后，查询会分别走 BM25 关键词检索、向量语义检索和混合检索，并支持按品类、品牌、价格的实时分面筛选；商品页还用近邻向量检索自动推荐相似商品。
QdrantAI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 教程：用查询分解处理多跳问题
Qdrant 发布教程，介绍用查询分解（Query Decomposition）处理多跳问题：先检索原问题，由 LLM 读取结果并生成下一个子问题，循环检索直到补齐缺失事实，再融合各跳结果。该方案基于 Self-Ask 与 IRCoT，用 gpt-5-mini 生成子问题，并用 Reciprocal Rank Fusion（k=2）合并各跳结果。
Weaviate • vector database(@weaviate_io)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 1.38 发布：HFresh 与 MCP Server 正式 GA
Weaviate 1.38 发布，磁盘向量索引 HFresh 与 MCP Server 两大能力正式 GA，前者面向十亿级频繁变动数据，低内存、延迟可预测且无需周期性全量重建，后者可让 LLM、IDE 和 AI 智能体直连 Weaviate；1.38 还支持运行时开关 MCP Server 及写权限，无需重启。
Weaviate • vector database(@weaviate_io)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Engram 如何用 Weaviate 与 LLM 协调 AI 记忆冲突
Weaviate 的 Engram 在新信息到达时不只做存储，而是主动协调记忆：用户从机器学习工程师晋升为 CEO 后，它提取新事实、从 Weaviate 检索相关记忆，并通过 LLM 工具调用改写旧记忆为"曾任职工程师、现已晋升 CEO"，同时删除重复的新记忆，避免矛盾事实堆积污染智能体上下文。
QdrantAI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 首届旧金山 Vector Space Day 回顾：Agent 记忆、检索与机器人
Qdrant 于 6 月 11 日在旧金山 The Midway 举办首届美国 Vector Space Day，350 余名开发者参会，设 Agent 与记忆、搜索与检索、边缘与机器人三个分轨。
QdrantAI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 研究：不调用 LLM 如何预测弱检索
Qdrant 提出用廉价信号在检索路径上提前识别弱检索，避免为每个查询都调用 LLM 判断。这些信号读取检索器已返回的结果，至多增加一次复用查询向量的 Qdrant 查询，包括 max_score、dense_variance、evidence_coverage、retriever_divergence 和 dense_agreement 等。
MongoDB BlogAI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 MongoDB 提出 Agentic AI 四步信任框架：从 POC 走向生产
MongoDB 提出一套从 POC 走向生产的 Agentic AI 四步信任框架，涵盖基础层、验证层、治理层等环节。框架以客户退款为例，用 RAG 和运行数据减少模型幻觉，并将可观测性作为"黑匣子记录仪"记录每一步推理、工具调用与 token 开销。验证层引入 Agent 置信度分数（ACS）与业务风险分数（BRS），治理层则用 ADS = ACS x (1 - BRS) 决定智能体的自主程度。
Weaviate • vector database(@weaviate_io)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Query Agent 演示：用自然语言查询检测账单与地址不匹配的欺诈客户
Weaviate 在 Playground 上线欺诈检测演示，用户用自然语言提问，Weaviate Query Agent 自动生成带过滤和聚合的结构化查询，跨 Transactions、Customers、PhoneProducts 三个集合检索，并实时流式返回结果。演示可即时识别可疑支付方式、不匹配地址与品牌级欺诈率，还展示智能体构建的完整查询语句，全程无需 SQL 或查询构建器。
Mistral AI(@MistralAI)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Mistral OCR 4 为何要做版面结构：逐块定位、分类并给出置信度
Mistral OCR 4 为每个版面区块给出边界框定位，并分类为标题、表格、公式、签名等类型，同时逐区域输出置信度分数。这一结构是溯源引用、内容脱敏、RAG 分块和人工审核的基础。
Weaviate • vector database(@weaviate_io)AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 分享向量数据库数据导入最佳实践：批处理限流、幂等重试与 blobHash
Weaviate 针对向量数据库试点常在数据导入阶段就失败的问题，给出几条最佳实践：服务端 collection.batch.stream 自动设定导入速率，无需调 batch size；用确定性 UUID 实现幂等重试，避免重复写入和重复计费；blobHash 只保留对象嵌入向量、丢弃已另存的大对象，可从 10 TB 降到几 GB 且搜索质量不变。
Weaviate • vector database(@weaviate_io)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 推出 Chronicles 演示：用图算法 + 向量嵌入实时聚类新闻流
Weaviate 在 Playground 上线了报纸主题演示 Weaviate Chronicles，把每 2 小时涌入的新闻标题自动聚类成同一事件。该演示先将报道嵌入为向量，再结合混合语义搜索、字符 n-gram 相似度和 Leiden 社区检测（一种图算法）完成聚类，并附带可复制提示词让用户搭建自己的版本。Weaviate Cloud 同时推出免费永久套餐。
Martin Fowler(@martinfowler)AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Martin Fowler：我们与 Bayer 用 AI 让制药研究员查询数十年 PDF 报告
Martin Fowler 与 Bayer 合作，用 AI 让制药研究员查询埋藏在 PDF 报告里数十年的信息。Sarang Sanjay Kulkarni 描述了从关键词搜索演进为可起草监管报告的研究助手的过程。
QdrantAI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 发布端侧向量检索库 Qdrant Edge
Qdrant 发布 Qdrant Edge，把其 Rust 向量检索引擎做成嵌入式的进程内库，在本地磁盘打开 shard 即可写入和查询嵌入向量，全程离线，安装体积约 11 MB，目前处于 beta 阶段，可通过 pip install qdrant-edge-py 或 cargo add qdrant-edge 安装。
Weaviate • vector database(@weaviate_io)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 上线全新 playground，7 个可运行 demo 覆盖 AI 记忆到欺诈检测
Weaviate 推出全新 playground，内含 7 个可运行示例项目，覆盖搜索、RAG、智能体、记忆等场景，每个 demo 都附带可复制粘贴的提示词。
Weaviate • vector database(@weaviate_io)AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate Engram：用 groups、topics、scopes 给 AI 记忆加上结构
Weaviate 推出 Engram，将 AI 记忆按 groups、topics、scopes 三层结构组织，而非堆进一个共享记忆池。groups 用 topics 加处理管线划定用例边界，topics 决定哪些信息会被提取为记忆，scopes 区分项目级、用户级与属性级归属；异步管线负责提取、调和并提交记忆，配合 Weaviate 多租户保持边界隔离。
Weaviate • vector database(@weaviate_io)AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 推出托管记忆服务 Engram，把 Agent 记忆当基础设施而非聊天记录
Weaviate 推出托管记忆服务 Engram，不再把记忆当作不断增长的提示词，而是作为基础设施处理。Engram 接收对话、字符串或预抽取事实等原始输入，通过异步流水线抽取信号、与已有记忆比对转换，并把干净状态写入数据库，供 Agent 后续可靠检索。该服务面向用户偏好记忆、跨任务学习、过期事实更新以及按用户、团队、工作流限定记忆范围等场景。
MongoDB BlogAI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 基于 MongoDB Atlas、Voyage AI 与多模态搜索的智能体供应商管理
MongoDB 提出用 MongoDB Atlas、Voyage AI 与多模态搜索构建智能体供应商管理方案，把分散在遗留系统、PDF、表格和邮件里的供应商数据统一起来，并叠加 AI copilot 提升供应链可见性与韧性。方案针对的是 ERP 系统批处理延迟造成的实时响应瓶颈，原文未给出具体模型版本、参数或 benchmark 数据。
Weaviate • vector database(@weaviate_io)AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Weaviate 的智能体记忆服务 Engram 正式 GA
Weaviate 宣布其智能体记忆服务 Engram 正式 GA，该服务构建在 Weaviate 之上，通过异步流水线从原始数据提取信息、与已有记忆做去重和偏好变更的对账，再以结构化状态持久化供检索。
QdrantAI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Sunny Health 如何用 Qdrant 打造 AI 医疗礼宾服务
Sunny Health 基于 Qdrant 构建 AI 医疗礼宾服务，通过支付方或护理机构的 SSO 登录，为会员完成福利导航、网络内医生匹配和预约挂号三项任务。其检索层需在 300 万到 400 万条医生数据上同时执行硬性过滤（网络内、执照、语言）与语义相似度排序，因此从 Postgres 迁移到 Qdrant 向量搜索，并采用 Rust 客户端和 MCP 工具辅助开发。
QdrantAI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GoPerfect 如何用 Qdrant Cloud 打造智能体招聘团队
GoPerfect 基于 Qdrant Cloud 搭建智能体招聘平台，用混合搜索、多向量表示加 LLM 编排，在内部基准中把候选人接受率从行业约 30% 提升到 99.993%，大客户实测稳定在 95–100%，约为行业基线的四倍。单个候选人不再用单一嵌入向量表示，而是拆成结构化向量集合，查询时由智能体拆分意图并并行发起多路子查询，复杂多条件搜索可在 10 秒内端到端完成。
QdrantAI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 1.18 引入 TurboQuant：4-bit 性能对标 SQ，2-bit/1-bit 召回率超 BQ
Qdrant 1.18 上线了来自 Google Research 的旋转向量量化方法 TurboQuant，提供 8x（4 位/维）、16x（2 位/维）、约 21x（1.5 位/维）和 32x（1 位/维）四种压缩档位。
QdrantAI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Sapu 如何用 Qdrant 索引 2800 万条 PubMed 摘要加速癌症研究
Sapu 将 PubMed 全部 2800 万条摘要索引进单个 Qdrant collection，此前研究人员只能分批上传摘要子集查询。该平台采用 OpenAI text-embedding-3-large（3072 维）配合 LangChain 写入 Qdrant Cloud，并支持将 1000 篇文档拆成 1000 个独立并行查询。
QdrantAI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 指南：如何衡量检索相关性
Qdrant 发布检索相关性评估指南，介绍用带标注的 golden query set 计算 recall@k、MRR、NDCG@k 等指标。查询集可通过人工标注、日志采样或 LLM 合成生成，评估借助 Python 库 ranx，将 Qdrant 检索结果与 qrels 对比，并需按位置打分以规避欧氏距离排序问题。
QdrantAI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Sentinel：Gen AI Zürich 黑客松冠军作品，30 秒内检测新闻事实矛盾
Ali Aoun Mehdi 在 Gen AI Zürich 黑客松上开发出 Sentinel，一个监测 20 个全球新闻源的 AI 预警系统，每 30 分钟抓取一次数据，可在 30 秒内识别事实矛盾并给出虚假信息风险评分。它用 Qdrant Cloud 做语义检索、Mistral-7B（经 Featherless AI）提取事实并计算矛盾分，已获 Qdrant Challenge 冠军。