3A.COM.VN

Benchmarks

Qdrant là gì: 4 thông số HNSW và lọc dữ liệu tìm vector

Qdrant là gì? Cơ sở dữ liệu vector dùng chỉ mục HNSW với mặc định m 16, ef_construct 100 và ngưỡng quét toàn bộ 10000 KB. Bài đọc 4 thông số và cách lọc payload theo tài liệu.

Quang Minh· Trưởng ban Nghiên cứu & Đo kiểm AI6 phút đọc20/11/20260 lượt xem
Qdrant là gì: 4 thông số HNSW và lọc dữ liệu tìm vector

Qdrant là gì? Một cơ sở dữ liệu vector mã nguồn mở, tìm kiếm bằng chỉ mục HNSW với mặc định m bằng 16 và ef_construct bằng 100. Bài này đọc bốn thông số của chỉ mục theo tài liệu chính thức, rồi đến phần lọc dữ liệu. Bài không có số tự đo nào, vì tôi chưa chạy bài đo trên tập dữ liệu thật.

Tôi nói trước điều này vì bảng benchmark vector thường là chỗ dễ bị đánh lừa nhất. Mỗi con số dưới đây đều có link tài liệu. Chỗ cần đo, tôi ghi cách đo.

Mạng các nút màu xanh nối với nhau, minh hoạ đồ thị chỉ mục HNSW
Mạng các nút màu xanh nối với nhau, minh hoạ đồ thị chỉ mục HNSWNguồn chính hãng / Kho ảnh bản quyền mở · Official / Free Commercial License

Chú thích ảnh: mạng nút xanh nối nhau, gần với hình dung về đồ thị chỉ mục. Ảnh: Tara Winstead, Pexels, giấy phép Pexels (link gốc xem mục Nguồn, phần Ảnh).

Dự án nội bộ · 3A AI Stack Advisor

Đừng trả tiền thừa cho SaaS AI — Nhận lộ trình công cụ & chi phí tối ưu trong 10 giây

Mô tả bài toán của doanh nghiệp bạn (CSKH Zalo OA, Coding, RAG tài liệu nội bộ, Báo cáo P&L). Hệ thống cố vấn của 3A sẽ đề xuất bộ công cụ đã qua kiểm thử thực chiến.

Qdrant dựng chỉ mục HNSW như thế nào?

Tài liệu chỉ mục ghi rõ: HNSW là chỉ mục duy nhất cho vector dạng dense trong Qdrant. Bạn không chọn thuật toán khác. Việc của bạn là chỉnh tham số.

Vector là dãy số mô tả nghĩa của một đoạn chữ hoặc một ảnh, ví dụ vector từ mô hình embedding của OpenAI hay BGE-M3. Tìm kiếm vector là tìm những dãy số gần nhau nhất. HNSW tổ chức các vector thành đồ thị nhiều tầng để đi tắt tới vùng gần nhất, khỏi phải so với mọi vector.

Chạy thử trên máy bằng Docker. Cổng REST là 6333, cổng gRPC là 6334, giao diện web ở localhost:6333/dashboard.

bash
docker run -p 6333:6333 -p 6334:6334 \
  -v "$(pwd)/qdrant_storage:/qdrant/storage:z" \
  qdrant/qdrant

Tạo một collection mới với vector 300 chiều, đo khoảng cách bằng cosine:

http
PUT /collections/demo
{
  "vectors": { "size": 300, "distance": "Cosine" }
}

Thông số 1: `m` quyết định điều gì?

Tham số m là số cạnh mỗi nút trong đồ thị. Mặc định là 16. Tài liệu mô tả đánh đổi rõ ràng: m lớn hơn cho tìm kiếm chính xác hơn, nhưng tốn thêm bộ nhớ.

Giá trị 16 là điểm xuất phát hợp lý. Bạn chỉ nên tăng khi đo thấy độ chính xác chưa đủ.

Thông số 2: `ef_construct` ảnh hưởng thời gian dựng chỉ mục ra sao?

Tham số ef_construct là số láng giềng được xét khi dựng chỉ mục. Mặc định là 100. Giá trị cao hơn cho tìm kiếm chính xác hơn, và đổi lại thời gian dựng chỉ mục dài hơn.

Hai tham số này cùng quyết định chất lượng đồ thị. Tôi hay hình dung m là số đường nối, còn ef_construct là độ kỹ lưỡng của người vẽ bản đồ. Vẽ kỹ hơn thì bản đồ tốt hơn, nhưng mất thêm giờ.

Người vẽ đồ thị lên bảng trắng, minh hoạ việc phác sơ đồ các nút và cạnh
Người vẽ đồ thị lên bảng trắng, minh hoạ việc phác sơ đồ các nút và cạnhNguồn chính hãng / Kho ảnh bản quyền mở · Official / Free Commercial License

Chú thích ảnh: một người vẽ đồ thị lên bảng. Ảnh: cottonbro studio, Pexels, giấy phép Pexels (link gốc xem mục Nguồn, phần Ảnh).

Thông số 3: `ef` lúc tìm kiếm chỉnh được lúc nào?

Hai tham số trên chỉ có tác dụng khi dựng chỉ mục. Còn ef điều khiển lúc tìm kiếm, nên đổi được ở từng truy vấn mà không dựng lại gì.

Tài liệu ghi ef mặc định bằng ef_construct. Muốn tìm chính xác hơn cho một truy vấn quan trọng, bạn tăng ef ở truy vấn đó. Muốn tìm nhanh hơn cho truy vấn dễ, bạn giảm.

Biểu đồ nến trên màn hình, minh hoạ việc đọc đường cong đánh đổi giữa tốc độ và độ chính xác
Biểu đồ nến trên màn hình, minh hoạ việc đọc đường cong đánh đổi giữa tốc độ và độ chính xácNguồn chính hãng / Kho ảnh bản quyền mở · Official / Free Commercial License

Chú thích ảnh: biểu đồ nến trên màn hình, hình quen thuộc khi đọc đường cong đánh đổi. Ảnh: Markus Winkler, Pexels, giấy phép Pexels (link gốc xem mục Nguồn, phần Ảnh).

Thông số 4: `full_scan_threshold` khiến Qdrant bỏ qua HNSW khi nào?

Tham số full_scan_threshold đặt ngưỡng kích thước tính bằng KB. Dưới ngưỡng đó, tìm bằng quét toàn bộ được ưu tiên hơn đi qua đồ thị HNSW. Mặc định là 10000 KB. Tài liệu quy ước 1 KB tương ứng một vector cỡ 256.

Lý do rất thực dụng. Với tập nhỏ, quét hết rẻ hơn dựng và đi qua đồ thị. Bài đo nào bỏ qua ngưỡng này sẽ so sánh nhầm hai chế độ chạy khác nhau.

Cấu hình m và ef_construct đặt riêng cho từng collection, qua hnsw_config. Tài liệu ghi từ phiên bản 1.1.1 bạn đặt được cả cho từng named vector:

http
PATCH /collections/demo
{
  "vectors": {
    "my_vector": { "hnsw_config": { "m": 32, "ef_construct": 123 } }
  }
}

Lọc theo payload làm HNSW chậm hay nhanh?

Tìm vector gần nhất rất ít khi đứng một mình. Bạn thường cần thêm điều kiện, ví dụ chỉ tìm trong tài liệu của thành phố London. Điều kiện đó viết trong khối must:

json
{ "must": [ { "key": "city", "match": { "value": "London" } } ] }

Khi lọc, Qdrant dùng cơ chế filterable HNSW. Nó thêm các cạnh theo payload index vào đồ thị. Vì vậy tài liệu khuyên tạo payload index ngay sau khi tạo collection, trước khi nạp dữ liệu:

http
PUT /collections/demo/index
{ "field_name": "city", "field_schema": "keyword" }

Hai bổ sung theo phiên bản cần để ý. ACORN có từ v1.16.0, đi thêm bước thứ hai trong đồ thị khi bộ lọc chặt, và đổi lấy hiệu năng. Từ v1.17.0 bạn tắt được HNSW cho một trường payload bằng enable_hnsw: false.

Thông sốMặc địnhTác dụngChỉnh khi nào
m16Số cạnh mỗi nútLúc dựng chỉ mục
ef_construct100Số láng giềng xét khi dựngLúc dựng chỉ mục
efbằng ef_constructĐộ rộng khi tìmTừng truy vấn
full_scan_threshold10000 KBNgưỡng quét toàn bộTheo kích thước tập

Giới hạn và rủi ro khi chỉnh thông số HNSW là gì?

Cảnh báo kỹ thuật

Bảng trên là mặc định của tài liệu, không phải cấu hình tối ưu cho dữ liệu của bạn. Tôi không có số tự đo để khẳng định giá trị nào tốt hơn.

  • Chi phí ẩn: tăng m làm tốn thêm bộ nhớ. Tài liệu không đưa công thức quy ra GB, nên mức tăng thật phải đo trên máy bạn. [CHƯA KIỂM]
  • Cách đo nên dùng: lấy một tập truy vấn thật, đo recall so với kết quả quét toàn bộ và đo p95 độ trễ. Đổi một thông số mỗi lần.
  • Thứ tự dựng: nạp dữ liệu trước rồi mới tạo payload index sẽ bỏ lỡ lợi ích của filterable HNSW. Tạo index trước.
  • Phiên bản: ACORN và enable_hnsw chỉ có từ v1.16.0 và v1.17.0. Kiểm phiên bản máy chủ trước khi dùng.

Đánh giá của tôi: nên dùng bản mặc định để bắt đầu, và chỉ chỉnh khi bài đo của bạn chỉ ra điểm nghẽn. Đừng chép cấu hình từ một bài benchmark của người khác.

Đọc thêm trên 3a.com.vn: cách đọc bảng benchmark không bị đánh lừa. Phần dùng vector cho kho tài liệu nằm ở bài RAG tài liệu nội bộ và lỗi trích dẫn sai nguồn. Bạn cũng nên đọc quantization là gì nếu cần nén vector.

Nguồn

Nguồn

  • Qdrant, "Indexing", ngày truy cập 2026-11-14. Link: https://qdrant.tech/documentation/concepts/indexing/
  • Qdrant, "Collections", ngày truy cập 2026-11-14. Link: https://qdrant.tech/documentation/concepts/collections/
  • Qdrant, "Filtering", ngày truy cập 2026-11-14. Link: https://qdrant.tech/documentation/concepts/filtering/
  • Qdrant, "Quickstart", ngày truy cập 2026-11-14. Link: https://qdrant.tech/documentation/quickstart/

Ảnh

  • Bìa: Tara Winstead, Pexels, giấy phép Pexels, ngày truy cập 2026-11-14. Link gốc: https://www.pexels.com/photo/8386437/
  • Thân bài: Markus Winkler, Pexels, giấy phép Pexels, ngày truy cập 2026-11-14. Link gốc: https://www.pexels.com/photo/7567223/
  • Thân bài: cottonbro studio, Pexels, giấy phép Pexels, ngày truy cập 2026-11-14. Link gốc: https://www.pexels.com/photo/6803528/
— Quang Minh, từ phòng đo kiểm 3A.

Bài liên quan