Qdrant или pgvector — практический разбор для инженера машинного обучения, разработчика поиска или архитектора. Цель — превратить общий вопрос в воспроизводимый эксперимент с измеримым качеством.
С какого вопроса начать
Зафиксируйте корпус документов (corpus), языки, объём и рост, модель векторных представлений (embedding model), первые K результатов (top-K), фильтры, целевую задержку и бизнес-задачу.
Порядок проверки
- Соберите эталонные запросы (golden queries) и оценки релевантности.
- Зафиксируйте точный и текущий базовый замер (baseline).
- Изменяйте один компонент: модель, метрику, индекс, фильтр или переранжировщик (reranker).
- Разберите ложноположительные (false positives) и ложноотрицательные результаты (false negatives).
- Проверьте обновления, удаления, права доступа (ACL), параллельную нагрузку и откат.
Матрица решения
| Критерий | Что проверить | Типичная ошибка |
|---|---|---|
| Качество | Recall@K, nDCG, MRR и сложные запросы | оценивать по нескольким удачным примерам |
| Скорость | P95/P99, QPS, фильтры и параллельная загрузка | измерять только прогретый P50 |
| Индекс | оперативная память, диск, построение, обновление и удаление | игнорировать рост и перестроение индекса |
| Эксплуатация | SLO, дрейф, резервное копирование, ACL и TCO | считать только цену сервера |
Практический вывод
Решение готово, когда команда воспроизводит сравнительный тест (benchmark), объясняет каждую метрику и безопасно возвращается к предыдущей версии модели и индекса.
Важно: версии, лицензии и программные интерфейсы (API) меняются. Перед внедрением сверяйте ограничения с официальным источником.