用途：诊断 Qdrant 搜索质量差的问题，适用于结果不相关、缺少预期匹配或召回下降等反馈。
主要能力与排查思路： 先建立基线。用 exact=true 绕过 HNSW 近似做精确 KNN 作为基准，与近似 HNSW 比较，生产目标为 recall@K 大于 95%。
若不确定原因：用 exact=true 测试搜索 API；精确搜索差说明是模型或搜索管线问题，精确好而近似差则调 HNSW。检查量化是否降低质量（对比启用与不启用），检查过滤器是否过严（可能需要 ACORN）。若分块文档产生重复结果，用 Grouping API 去重。注意 payload 过滤与稀疏向量搜索是两回事：元数据（日期、类别、标签）放 payload 用于过滤，文本内容放稀疏向量用于搜索。
近似差于精确时：查询时提高 hnsw_ef；提高 ef_construct（高质量可 200+）；提高 m（默认 16，高召回可用 32）；启用量化 oversampling 加 rescore；过滤查询用 ACORN（v1.16+）。二进制量化必须配 rescore，否则质量损失严重，并用 oversampling（二进制至少 3 至 5 倍）恢复召回。量化上线前必须测对自身数据的影响。
精确搜索也差时：可能是嵌入模型不对，可用 100 到 1000 条样本查询测试前 3 个 MTEB 模型并测 recall@10，领域专用模型常优于通用模型；也可能是搜索管线未优化，需按高级搜索策略优化。
不要做：未确认模型是否合适就调 Qdrant（多数质量问题源于模型）；二进制量化不配 rescore；把 hnsw_ef 设得低于所需结果数；过滤字段未建 payload 索引却归咎质量；未建立基线召回等指标就部署；混淆 payload 过滤与稀疏向量搜索。