Qdrant Edge 赋能机器人 Reachy：实现本地语义记忆与零断网交互
在自主机器人领域，语言模型（LLM）的上下文窗口（Context Window）限制使其难以承担长期记忆与个性化交互的角色。Pollen Robotics 与 Hugging Face 联合开发的开源机器人 Reachy Mini，仅搭载 4GB RAM 的 Raspberry Pi，无法独立实现“记住用户名字”或“复述离开时的情景”等任务。为此，Qdrant 推出了 Qdrant Edge，将向量搜索引擎以库的形式直接部署于机器人进程中，赋予其本地语义记忆能力。
核心架构：零服务器依赖的本地记忆
Qdrant Edge 的核心价值在于其边缘计算原生设计。与传统云端向量数据库不同，它无需网络跳板，搜索操作直接转化为进程内的函数调用，存储单元为磁盘上的独立目录（Shard）。Reachy 利用该引擎维护三类记忆：
- memory/：存储对话交换（Exchanges）与视觉帧（Frames），通过
kind字段区分租户索引，支持图文双向量检索。 - people/：存储人脸特征，采用 MaxSim 算法进行多向量（Multivector）匹配，确保不同角度的人脸识别准确。
- knowledge/：存储静态事实，以 0.7MB 快照形式持久化，支持云端同步更新。
关键突破：从工具调用到检索策略的优化
赋予机器人记忆并非易事，团队在调试中经历了两次关键失败与修正，最终实现了精准的语义交互。
1. 工具调用歧义问题
在初期测试中，当用户询问“今天看到了什么？”，机器人因语义理解偏差，错误地触发了 camera（拍照）工具而非 remember（检索记忆）工具。问题的根源在于工具描述不够明确。
解决方案：团队在 remember 工具的描述中显式标注了“过去时态”关键词，并引用了示例问题。这一微调使得模型在 26 个测试用例中，从 23 次错误选择中提升至 26 次正确调用，且未影响 camera 工具的性能。
2. 向量检索阈值策略
解决了工具调用后，机器人仍无法回答“看到了什么”的问题。由于每条视觉帧都附带了文本描述（如“看到人”、“看到植物”），简单的最近邻搜索（Nearest Neighbor）会因动词匹配而返回大量低质量结果。
解决方案：团队引入了一种负样本抑制机制：
- 创建一个“空帧”（Empty Frame，描述为“看到某物”）作为基准。
- 只有当检索结果不仅超过阈值（0.66），还优于该空帧时，才被采纳。
- 若所有结果均低于基准，机器人则放弃精确检索，转而采样当天存储的最新四帧图片进行描述，从而避免返回重复内容。
实际应用价值：超越上下文窗口的记忆
Qdrant Edge 的部署彻底改变了 Reachy 的交互逻辑：
- 个性化问候：机器人能准确识别并称呼用户姓名，即使经过数小时未交互。
- 长期记忆管理：当对话上下文填满（1000 tokens）时，旧内容自动迁移至本地记忆库，而非被丢弃。这使得用户一小时后询问“我们刚才聊了什么”依然能得到准确回答。
- 离线可靠性：由于所有计算与存储均在本地完成，即使 Wi-Fi 中断，机器人的记忆检索与推理能力依然在线。
Qdrant Edge 的成功证明了将向量数据库下沉至边缘设备，是构建具备真实“记忆”能力的自主智能体（Agent）的关键路径。
