Como Diagnosticar Má Qualidade de Busca

Antes de ajustar, estabeleça linhas de base. Use KNN exato como verdade fundamental, compare com HNSW aproximado. Mire em >95% de recall@K para produção.

Ainda Não Sabe o Que Está Errado

Use quando: os resultados são irrelevantes ou faltam correspondências esperadas e você precisa isolar a causa.

• Teste com exact=true para ignorar a aproximação HNSW API de Busca
• Busca exata ruim = problema no modelo ou no pipeline de busca. Exata boa, aproximada ruim = ajuste HNSW.
• Verifique se a quantização degrada a qualidade (compare com e sem)
• Verifique se os filtros são muito restritivos (então você pode precisar usar ACORN)
• Se houver resultados duplicados de documentos divididos, use a API de Agrupamento para deduplicar Agrupamento

Filtragem de payload e busca por vetor esparso são coisas diferentes. Metadados (datas, categorias, tags) vão no payload para filtragem. Conteúdo de texto vai em vetores esparsos para busca.

Busca Aproximada Pior Que a Exata

Use quando: a busca exata retorna bons resultados, mas a aproximação HNSW não os encontra.

• Aumente hnsw_ef no momento da consulta Parâmetros de Busca
• Aumente ef_construct (200+ para alta qualidade) Configuração HNSW
• Aumente m (16 padrão, 32 para alto recall) Configuração HNSW
• Habilite oversampling + rescore com quantização Busca com Quantização
• ACORN para consultas filtradas (v1.16+) ACORN

Quantização binária requer rescore. Sem ela, a perda de qualidade é severa. Use oversampling (mínimo de 3-5x para binário) para recuperar o recall. Sempre teste o impacto da quantização em seus dados antes da produção. Quantização

Modelo de Embedding Errado

Use quando: a busca exata também retorna resultados ruins.

Teste os 3 principais modelos MTEB em 100-1000 consultas de amostra, meça recall@10. Modelos específicos de domínio geralmente superam modelos gerais. Inferência Hospedada

Pipeline de Busca Não Otimizado

Use quando: a busca exata também retorna resultados ruins e a escolha do modelo é confirmada pelo usuário.

Otimize a busca de acordo com a habilidade de estratégias de busca avançadas.

O Que NÃO Fazer

• Ajustar Qdrant antes de verificar se o modelo é adequado para a tarefa (a maioria dos problemas de qualidade são problemas de modelo)
• Usar quantização binária sem rescore (perda severa de qualidade)
• Definir hnsw_ef menor do que os resultados solicitados (recall ruim garantido)
• Ignorar índices de payload em campos filtrados e depois culpar a qualidade (HNSW não pode percorrer nós filtrados, e HNSW filtrável é construído apenas se os índices de payload foram configurados previamente)
• Implantar sem recall de linha de base ou outras métricas de relevância de busca (sem forma de medir regressões)
• Confundir filtragem de payload com busca por vetor esparso (coisas diferentes, configuração diferente)