是一家专注于人工智能驱动的自动化测试解决方案的公司，该公司发现，构建和全面测试 Web 应用程序（尤其是端到端测试）可能非常复杂且耗时。与单元测试不同，端到端测试可以揭示浏览器中实际发生的情况，通常可以发现其他方法遗漏的问题。
传统的解决方案，例如硬编码测试，不仅设置起来耗费大量人力，而且长期维护起来也极具挑战性。另外，聘请 QA 测试人员或许是一个解决方案，但对于初创公司来说，这很快就会成为瓶颈。每次发布都需要更多的测试人员，如果将测试外包，管理时间表和确保质量就会变得更加困难。
为了解决这个问题QA.tech 开发
了测试代理，它们可 时精度和规模 以在 行业电邮清单 浏览器上像用户一样执行任务，例如在旅行应用上购买机票。这些代理会引导整个预订流程，从搜索航班到完成购买，同时评估其成功率。它们会记录错误、记录流程并标记问题供开发者审核。通过访问控制台日志和网络调用，开发者可以轻松分析每个步骤，快速了解和调试出现的任何问题。
qdrant-qatech-2
QA.tech AI 代理的输出
是什么促使 QA.tech 使用矢量数据库？
QA.tech 最初将pgvector用于较为简单的向 除了可定制的仪表板和各种图形 量用例，但随着需求的增长，其可扩展性受到了限制，因此他们最终采用了 Qdrant。他们需要一个能够处理高速实时分析的向量数据库来支持他们的 AI 代理，这些代理在分析层中运行，负责观察和解读跨网页的操作。该分析层高度依赖多模态模型和大量的子处理，以使 AI 代理能够做出明智的实时决策。
在某些 Web 界面中可能会发生
数百个操作，实时处理这些操作（尤其是每次点击）可能会非常缓慢。动态 Web 元素和不断变化的标识符进一步加剧了这一问题，使传统方法变得不可靠。为了应对这些挑战，QA.tech 针对特定操作训练了自定义嵌入，从而显著加快了决策速度。
这种设置需要频繁的嵌入查找，每次交互都会产生大量的数据库调用。正如QA.tech 的 Vilhelm von Ehrenheim解释的那样：
“每次点击都会产生大量的嵌入、大量的调用、大量的数据库查找，这些都需要很好的扩展。”
Qdrant 的快速、可扩展的矢量搜索使 QA.tech 能够无缝处理这些高速查找，确保代理保持响应并能够实时做出快速、准确的决策。
.为何选择 Qdrant 作为其 AI 代理平台
QA.tech 的 AI 代理处理高速 Web 操作，需要 比利时商业指南 高效的 时精度和规模 实时操作和可扩展的基础架构。团队面临着管理网络开销、CPU 负载以及为不同用例存储多个嵌入数据的需求挑战。Qdrant 提供了解决这些问题的解决方案。
通过批量操作减少网络开销
在 Web 界面上单独处理数百个同时执行的操作会产生巨大的网络开销。Von Ehrenheim 解释说：“在单独的调用中执行所有这些操作会产生大量的网络开销。” Qdrant 的批处理操作使 QA.tech 能够同时处理多个操作，从而减少网络流量并提高效率。对于实时响应至关重要的 AI 代理来说，此功能至关重要。
优化嵌入处理的 CPU 负载
PostgreSQL 的事务保证机制导致处理嵌入时 CPU 使用率过高，尤其是在大规模处理时。Von Ehrenheim 指出，添加大量新嵌入“需要更多 CPU 资源”，从而导致性能瓶颈。Qdrant 的架构能够高效处理大规模嵌入，防止 CPU 过载，并确保流畅、不间断的性能，这是 AI 代理的关键要求。
针对不同用例管理多个嵌入
AI 代理需要灵活地处理实时操作和情境感知任务。QA.tech 需要不同的嵌入来实现即时操作处理和更深入的语义搜索。Von Ehrenheim 提到：“我们使用一种嵌入来处理高速操作，但我也希望存储其他类型的嵌入以用于分析目的。”
Qdrant 能够为每个数据点存储多个嵌入，这使得 QA.tech 能够满足这些多样化的需求，而不会增加复杂性。
QA.tech 如何克服 AI 代理开发中的关键挑战
构建可靠的人工智能代理具有独特的复杂性，特别是当工作流程变得更加多步骤和动态时。
QA.tech 联合创始人 Vilhelm von Ehrenheim 表示：“你要求代理采取的步骤越多，确保始终如一的表现就越困难。”
每个附加动作都会增加多层相互依赖的变量，如果不仔细管理，就会产生很容易导致错误的路径。
Von Ehrenheim 还指出了当前大型语言
模型 (LLM) 的 时精度和规模 局限性，他指出：“LLM 的功能越来越强大，但它们仍然难以进行多步推理，例如处理诸如暗模式或自适应 UI 等细微的视觉变化。”这些挑战使得代理必须具备精确的规划能力和情境感知能力，而 QA.tech 通过实现自定义嵌入和多模态模型解决了这些问题。
“这正是可扩展、适应性强的基础设施至关重要的地方，” von Ehrenheim补充道。Qdrant 对 QA.tech 至关重要，它提供了稳定、高性能的矢量搜索，以支持高要求的工作流程。“借助 Qdrant，我们能够在不影响可靠性的情况下处理这些复杂、高速的任务。”