我在电动车充电站搜索上测试了 Qdrant 量化与 mmap

作者以电动车充电网络搜索为场景，测试 Qdrant 的四种向量压缩方式（标量、二值、TurboQuant、乘积量化），并比较向量常驻系统缓存与留在磁盘的差异。结论是内存节省确实存在，但压缩后的向量并不总能保持正确的近邻检索结果，需在成本与召回质量间权衡。

AI推荐理由 针对向量检索内存成本的具体实验：在 EV 充电站搜索场景下对比 Qdrant 的标量、二值、TurboQuant 与乘积量化四种压缩方式，并测试向量常驻内存缓存与留在磁盘的差异。结论指出内存节省真实存在，但更小的向量不一定保持检索质量，对 RAG 与向量库工程有直接参考价值；摘要未给出具体指标数值。