Qdrant 押注專用向量搜尋勝出 AI 檢索；完成 5,000 萬美元 B 輪融資

以 Rust 撰寫的開源向量資料庫與搜尋引擎：儲存帶有酬載中繼資料的嵌入向量，於搜尋時進行過濾，支援稠密、稀疏與多向量查詢，部署範圍從邊緣裝置到託管雲端。

押注檢索是 AI 的核心基礎設施，而非附屬功能——因此團隊會採用專用的開源 Rust 向量引擎，而不是把搜尋功能硬加在通用資料庫上。

2023 年 4 月募得 750 萬美元；2024 年 1 月由 Spark Capital 領投、Unusual Ventures 與 42CAP 參與的 2,800 萬美元 A 輪融資；2026 年 3 月由 AVP 領投、Bosch Ventures、Unusual Ventures、Spark Capital 與 42CAP 參與的 5,000 萬美元 B 輪融資；累計募資約 8,780 萬美元。

Qdrant 於 2021 年由 Andre Zayarni 與共同創辦人在柏林創立，以 Rust 打造的開源專案切入生產級向量搜尋。該公司於 2023 年 4 月募得 750 萬美元，並在 2024 年 1 月的 A 輪融資時表示，曾拒絕一家大型資料庫業者的收購要約，以維持獨立擴張（TechCrunch）。

A 輪資金用於在以工程為重的公司周圍建立業務團隊，並推出地端版本以及在 AWS、Azure 與 GCP 上的雲端服務。在 RAG 熱潮期間，Qdrant 在 Canva、Bazaarvoice、HubSpot、Roche、Bosch 與 OpenTable 取得生產環境部署；2026 年 3 月的 5,000 萬美元 B 輪融資則用於「可組合」檢索原語與針對裝置端 AI 的 Qdrant Edge。

仍在擴張：截至 2026 年 B 輪融資，Qdrant 回報下載量逾 2.5 億次、GitHub 星標逾 2.9 萬，累計募資約 8,780 萬美元，將檢索定位為從邊緣裝置到阿貢國家實驗室 Aurora 等超級電腦的核心基礎設施。

RAG 讓檢索成為每個 AI 應用的關鍵路徑，但團隊在生產負載下已超出原型時期的向量搜尋能力——Qdrant 正是針對這道牆而來。

Rust 加上自訂的 HNSW 與二進位量化帶來可量測的成效（記憶體節省 32 倍、速度提升約 40 倍），讓工程師有理由轉換。

開源消除了供應商鎖定——對曾被專有搜尋供應商所苦的企業而言是決定性論據——而雲端／地端／邊緣選項則將社群變現。

選擇投資而非接受收購要約，讓公司在向量資料庫熱潮週期中保持獨立，得以在市場整合前持續累積採用。

可組合性（稠密／稀疏／多向量、搜尋時過濾）契合代理式工作負載實際查詢的方式，而非強迫每種使用情境都走單一固定流程。

可量測的成效在擁擠的市場中脫穎而出：專用引擎（記憶體節省 32 倍、速度提升約 40 倍）加上開源——無鎖定——讓 Qdrant 在向量資料庫浪潮達到高峰前贏得生產團隊。

截至 2026 年 9 月，Qdrant 仍維持獨立並持續擴張：在 5,000 萬美元 B 輪融資（2026 年 3 月 12 日宣布）之後，該公司回報累計募資約 8,780 萬美元、套件下載量逾 2.5 億次、GitHub 星標逾 2.9 萬，生產客戶包括 Canva、HubSpot、Bosch、Roche、Bazaarvoice 與 OpenTable。路線圖聚焦於可組合檢索原語與針對裝置端代理的 Qdrant Edge，該引擎以十億級規模運行，包括在阿貢的 Aurora 上。未解的問題是：當搜尋與資料庫巨頭紛紛加入向量功能時，專用向量資料庫能否守住自身地位。