1. 基本信息
| 项目 | 内容 | 数据来源 |
|---|---|---|
| 名称 | qdrant-sizing | SKILL.md |
| 作者/维护者 | Qdrant 官方仓库 qdrant/skills；本技能主要提交者为 Qdrant DevRel 工程师 Chadha Sridi（GitHub: chadha-sridi） |
GitHub API |
| 来源链接 | https://github.com/qdrant/skills/tree/main/skills/qdrant-sizing | — |
| 许可证 | Apache License 2.0 | GitHub API |
| GitHub Stars / Forks | 所属仓库 232★ / 27 forks（该数字属整个 Qdrant Skills 合集，不代表本技能个体热度，仅供了解所属仓库规模） | GitHub API |
| 最新版本 | SKILL.md 未单独标注版本号，随仓库持续滚动更新；本技能最近一次内容提交为 2026-08-11 | 仓库提交历史 |
| 安装方式 | 见第 9 章 | 官方 README |
2. 功能介绍与亮点
qdrant-sizing 回答一个几乎每个 Qdrant 使用者在正式上线前都要面对、却常常拍脑袋决定的问题：这套部署到底需要多少内存、多少磁盘、几个 CPU 核心、几个节点。
- 拆解真实内存占用：明确指出“点数 × 维度 × 4 字节”这类粗略公式会漏算索引结构，给出稠密向量、量化向量、HNSW 图索引、稀疏向量及其倒排索引、payload、payload 索引、ID 追踪器等每个组件各自的计算公式，并说明多个具名向量或多个 payload 字段需要逐个累加
- 给出内存分层建议：区分 Qdrant 1.19+ 的
pinned/cached/cold三档与旧版本的always_ram/on_disk二档，并给出“HNSW 与稀疏倒排索引优先常驻内存、量化向量视容量决定是否常驻、多租户场景改用 cold 层”等具体取舍建议 - 覆盖 CPU/GPU/节点/分片数：给出“单节点约可承载 1 亿向量”“生产环境建议至少 3 节点 + 副本因子 2”“为未来扩容预留 12 分片”等具体经验数字，并说明分片数如何被后续水平扩容整除
- 列出“不该怎么做”清单：不要只用点数×维度估算、不要忘记乘副本因子、不要把量化当作替代存储而非额外存储、不要按 100% 估算值直接采购硬件
亮点：内容不是泛泛而谈的“容量规划最佳实践”，而是把 Qdrant 自身的存储引擎实现细节（如 ID 追踪器固定占用约 52 字节/点、payload 常驻内存需再乘 3 倍）直接转化成了可执行的计算步骤；结尾还建议用官方 Qdrant Sizing Calculator 交叉核对估算结果。
3. 适用场景
所属分类：DevOps 与基础设施
适用于任何计划部署 Qdrant 的团队——无论是首次上线前决定该买多大的机器/云实例，还是已有部署在数据量或查询量显著增长后需要重新核算容量、避免临上线前才发现内存不够或超额采购浪费预算的情况。对没有专职容量规划工程师的中小团队尤其有用：把向量数、维度数、payload 大小等参数交给编码 Agent，能直接推算出该配多少内存和节点。
4. 跨 Agent 兼容性
- Claude Code：✅ 原生支持。官方 README 提供
/plugin marketplace add qdrant/skills插件市场安装，也可克隆仓库后复制到~/.claude/skills/ - Codex：✅ 支持。仓库 README 明确列出 OpenAI Codex 为受支持 Agent，并给出
~/.codex/skills/的手动安装路径 - OpenClaw：⚠️ 需手动适配。官方渠道未单独列出 OpenClaw 安装路径，但专门核验其官方文档确认 OpenClaw 采用标准 SKILL.md 格式（YAML front matter + Markdown 正文），放入
~/.openclaw/skills/目录即可被发现加载，本技能的 SKILL.md 格式与之兼容 - Hermes Agent：⚠️ 需手动适配。专门核验其官方文档确认 Hermes Agent 同样识别标准 SKILL.md（仅 name/description 为必填字段），支持将技能目录放入
~/.hermes/skills/或通过 URL 直接安装，本技能格式满足其最低要求，但官方渠道未将其列为专门测试过的目标 Agent
5. 推荐理由
多数向量数据库的容量规划要么完全没有文档，要么只给一句“视情况而定”。这份指南把 Qdrant 自己存储引擎的实现细节转成了可以直接套用的计算公式和具体经验数字，让 Agent 能在部署前就给出一个有依据的内存/磁盘/节点数估算，而不是等上线后才发现容量算错了。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | Qdrant 官方出品（仓库整体 232★），本技能自身有独立的评审与打磨记录（含专门的 eval 测试用例编写与合并），持续维护约 1 个月；尚无第三方平台的独立讨论或量化采用数据 |
| 可用性 | 9 | 纯文本指南，一次复制/安装即可使用，无需任何账号或 API key；最近一次内容修订为 2026-08-11，仓库整体最近一次提交为 2026-09-11，维护活跃 |
| 安全性 | 9 | 全文为静态计算公式与决策建议，不声明任何工具权限、不执行任何命令、运行时不发起网络请求（末尾的外部计算器仅为向用户提出的建议链接，不是 Agent 自动访问的外联），全文未见可疑指令；许可证明确 |
安全检查清单：① 不声明任何 shell 执行权限；② 运行时不联网外发数据；③ 不要求任何 API key 或凭据；④ 全文核查未发现可疑指令或 prompt injection 迹象；⑤ 作者为 Qdrant 官方仓库的 DevRel 工程师，无造假迹象；⑥ License（Apache-2.0）明确；⑦ 最近一次内容提交为 2026-08-11，维护活跃
综合评分：8.3（三项均值）
7. 跟同类 Skills 相比的优势
| Skill | 定位 | 与本技能的差异 |
|---|---|---|
| qdrant-scaling-qdrant-skills（同仓库） | 已有部署在数据量/QPS 增长后如何扩容（水平 vs 垂直、多少分片、如何降低延迟） | 面向“已经跑起来、现在要撑住更大负载”的场景；qdrant-sizing 面向“还没部署、先算清楚该买多大”的前置阶段，两者是同一生命周期的前后两段 |
| pinecone-quickstart-pinecone-io-skills | 帮助从零上手 Pinecone 这款托管向量数据库，覆盖建库、写入、查询等基础操作 | 是另一款产品的入门引导，不含任何针对硬件资源的量化计算方法，且 Pinecone 作为全托管服务本身较少涉及用户自行做容量规划 |
qdrant-sizing 的差异化在于：它把“该配多少资源”这件事从经验判断变成了有公式、有具体系数的计算过程，且公式直接对应 Qdrant 自身的存储实现（HNSW 图结构、量化方式等），换成任何通用的“数据库容量规划”指南都套用不上。
8. 用户评价
该技能目前在 Reddit、Hacker News 等第三方社区平台尚无独立具名用户评价。
9. 安装使用方式
- 完整安装（含本技能）：运行
npx skills add qdrant/skills，会安装仓库内全部技能，包括 qdrant-sizing - 仅安装本技能：
npx skills add qdrant/skills/skills/qdrant-sizing - Claude Code 插件市场：依次执行
/plugin marketplace add qdrant/skills与/plugin install qdrant@qdrant - 手动安装：克隆仓库后，将
skills/qdrant-sizing/目录复制到对应 Agent 的技能目录（Claude Code 为~/.claude/skills/，Codex 为~/.codex/skills/，OpenClaw 为~/.openclaw/skills/，Hermes Agent 为~/.hermes/skills/） - 免安装替代方案：Qdrant 官方同时提供
qdrant-advisor元技能，安装它后会在每次会话中实时从 skills.qdrant.tech 拉取包括本技能在内的最新指导，无需为内容更新重新安装 - 安装后无需重启，Agent 会根据用户提问中的关键词（如“要多少内存”“需要几个节点”“容量规划”“能装下多少向量”）自动触发该技能
10. 注意事项
- 内容给出的是经验公式与系数（如“整体乘 1.5 倍”），用于快速估算而非精确计算，正式采购前官方建议用真实数据在 Qdrant Sizing Calculator 上复核
- 部分内存分层配置项（
pinned/cached/cold）仅适用于 Qdrant 1.19 及以上版本，使用更早版本时需按旧版的always_ram/on_disk二档配置 - 仓库 README 注明整个技能集“处于活跃开发中，内容与结构可能随 Qdrant 演进变化”，建议关注仓库更新