未记录事实核验 · 状态：维护中

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

向量数据库选型指南

目录

• 选择向量数据库为什么这么难
• 选型前必须回答的5个问题
• 主流产品横向对比
• 决策树：一步步做出你的选择
• 各产品定位速览
• 场景化推荐
• 演进路径：从学习到生产
• #2025-2026年趋势判断

---

选择向量数据库为什么这么难

市面上关于向量数据库的文章很多，但大多数只是参数罗列。你看完之后仍然不知道该选哪个——因为文章没有告诉你什么场景用什么。

困难来自三个地方：

场景差异太大。 百万向量和百亿向量是完全不同的问题。单机开发和分布式生产是完全不同的架构。实时写入和批量导入对产品的要求截然相反。用一张参数表覆盖所有场景，必然失真。

产品演进太快。 2023年的向量数据库格局和2025年已经不同。pgvector从"玩具"变成了"够用"，Qdrant从小众变成了主流，Pinecone的先发优势正在被开源产品蚕食。今天的对比明天就可能过期。

缺乏决策逻辑。 大多数文章告诉你"Milvus性能强，Chroma易上手"，但没有告诉你强到什么程度才值得承受它的复杂度，以及什么时候"够用"比"最强"更重要。

这篇文档的做法：先帮你搞清楚需求，再给你决策树，最后才是对比表格。

---

选型前必须回答的5个问题

在看任何产品对比之前，先把这5个问题的答案想清楚。它们决定了你的选择空间。

Q1：数据规模是多少？

这是最关键的一个维度，直接决定了你的选择范围。

规模	向量数量	适用产品
小规模	< 100万	可先比较易用性，再验证具体工作负载下的容量与性能
中等规模	100万 - 1亿	Qdrant、pgvector、Milvus Standalone
大规模	1亿 - 10亿	Milvus Distributed，需要认真规划架构
超大规模	> 10亿	Milvus + 专业运维，或 Zilliz Cloud

Q2：团队现有技术栈是什么？

技术选型不是真空中的决策，存量系统的兼容性往往比产品本身的性能更重要。

• 已有 PostgreSQL 生产环境 → 认真考虑 pgvector实战指南，零新增系统，运维成本最低
• Python 技术栈，快速原型 → Chroma向量数据库实战 是最快的起点，5分钟能跑起来
• 需要 AI-Native，不想管 Embedding → Weaviate向量数据库实战，内置模块化 AI 流水线
• 有 Rust 生态或追求极致性能 → Qdrant向量数据库实战，性能和易用性的平衡点
• 超大规模，有专职数据基础设施团队 → Milvus向量数据库实战

Q3：原型验证还是生产系统？

这两种场景的优先级完全不同。原型阶段最大的成本是时间，生产阶段最大的成本是稳定性和可维护性。

阶段	首选方案	理由
原型验证/POC	Chroma	最快上手，无需任何基础设施
小规模生产	pgvector 或 Qdrant	稳定、运维简单
中大规模生产	Milvus 或 Qdrant 集群	扩展性好、高可用
企业级 AI 平台	Milvus 或 Weaviate	完整的企业级特性

Q4：对混合搜索的需求有多强？

混合搜索（向量搜索 + 关键词搜索 BM25 融合）在实际 RAG 和搜索场景中往往比纯向量搜索效果更好。

• 需要开箱即用的混合搜索 → Weaviate（最简单）或 Qdrant（原生支持，性能强）
• 可以自己实现 RRF 融合逻辑 → 任何产品都能实现
• 已有 Elasticsearch → 直接用 ES 的 kNN 功能，不必引入新系统

Q5：部署环境和运维能力？

部署需求	推荐方案
本地开发/实验	任何产品的单机模式
单机生产部署	Qdrant、Milvus Standalone、pgvector
云原生/Kubernetes	Milvus（Helm Chart 成熟）、Weaviate
纯托管，减少基础设施运维	Pinecone、Zilliz Cloud、Weaviate Cloud
有 PG 托管服务	pgvector（AWS RDS、Supabase 等均支持）

---

主流产品横向对比

维度	Milvus	Qdrant	Weaviate	pgvector	Chroma
开发语言	Go + C++	Rust	Go	C（PG扩展）	Python
最大向量规模	百亿+	十亿+	十亿级	千万级	千万级
部署复杂度	高	低	中	极低	极低
混合搜索	支持（BM25）	原生稀疏+稠密	原生 BM25	手动融合	不支持
内置 Embedding	否	否	是（多模型）	否	是（默认）
多租户	分区/集合级	原生 Payload 隔离	原生多租户	数据库/Schema 级	否
分布式扩展	原生分布式	分布式集群	分布式集群	否	否
持久化存储	云原生（S3等）	本地/对象存储	本地/云存储	PostgreSQL	本地文件
云托管服务	Zilliz Cloud	Qdrant Cloud	Weaviate Cloud	多家云厂商 PG	Chroma Cloud
最佳适用规模	超大规模	中大规模	中等规模	小中规模	开发/小规模
学习曲线	较高	中等	中等	低（懂SQL即会）	极低
生产成熟度	极高	高	高	高（依托PG）	中（生产经验少）
GitHub Stars（2025）	~33k	~22k	~12k	~13k（PG本体不计）	~17k

---

决策树：一步步做出你的选择

%%{init: {"theme":"base","themeVariables":{"fontFamily":"PingFang SC, -apple-system, Source Han Serif SC, serif","fontSize":"16px","background":"#FDFBF5","primaryColor":"#FDFBF5","primaryTextColor":"#2D2A26","primaryBorderColor":"#6E6A60","secondaryColor":"#E8EFE8","secondaryBorderColor":"#8FA890","secondaryTextColor":"#2D2A26","tertiaryColor":"#FDFBF5","tertiaryBorderColor":"#9A9488","tertiaryTextColor":"#6E6A60","lineColor":"#6E6A60","textColor":"#2D2A26","mainBkg":"#FDFBF5","nodeBorder":"#2D5A3D","clusterBkg":"#F3EEDF","clusterBorder":"#9A9488","edgeLabelBackground":"#FDFBF5"},"flowchart":{"htmlLabels":true,"curve":"basis","padding":20,"nodeSpacing":60,"rankSpacing":70,"useMaxWidth":false},"themeCSS":".node rect, .node polygon, .node circle { stroke-width: 1.5px; } .edgePath .path { stroke-width: 1.5px; } .cluster-label .nodeLabel, .cluster-label foreignObject { color: #2D2A26 !important; } .edgeLabel, .edgeLabel foreignObject { color: #2D2A26 !important; background-color: #FDFBF5; } .edgeLabel rect { fill: #FDFBF5; }"}}%%
flowchart TD
    Start([开始选型]) --> Q1{已有 PostgreSQL<br/>生产环境？}

    Q1 -->|是| Q1a{向量数量<br/>> 1000万？}
    Q1a -->|否| pgvector[pgvector<br/>零新增系统，运维最简单]
    Q1a -->|是| Q1b{能接受引入<br/>新系统？}
    Q1b -->|否| pgvector2[pgvector<br/>加索引优化，勉强支撑]
    Q1b -->|是| mid_scale

    Q1 -->|否| Q2{只是学习/<br/>原型验证？}
    Q2 -->|是| chroma[Chroma<br/>5分钟上手，无需基础设施]
    Q2 -->|否| Q3{数据规模<br/>> 1亿向量？}

    Q3 -->|是| milvus_large[Milvus Distributed<br/>超大规模候选，需验证工作负载]
    Q3 -->|否| Q4{需要内置<br/>自动 Embedding？}

    Q4 -->|是| weaviate[Weaviate<br/>AI-Native，模块化设计]
    Q4 -->|否| Q5{对混合搜索<br/>有强需求？}

    Q5 -->|是| qdrant_hybrid[Qdrant<br/>原生稀疏+稠密混合搜索]
    Q5 -->|否| mid_scale{中等规模<br/>生产场景}

    mid_scale --> Q6{团队运维<br/>能力？}
    Q6 -->|强，有专职团队| milvus_mid[Milvus Standalone<br/>或 Milvus Distributed]
    Q6 -->|一般，希望轻量| qdrant_prod[Qdrant<br/>性能与轻量的平衡点]

    style Start fill:#4A90D9,color:#fff
    style chroma fill:#A8D8A8,color:#333
    style pgvector fill:#A8D8A8,color:#333
    style pgvector2 fill:#F5CBA7,color:#333
    style weaviate fill:#A8D8A8,color:#333
    style qdrant_hybrid fill:#A8D8A8,color:#333
    style qdrant_prod fill:#A8D8A8,color:#333
    style milvus_large fill:#A8D8A8,color:#333
    style milvus_mid fill:#A8D8A8,color:#333

---

各产品定位速览

Milvus向量数据库实战 — 超大规模场景的候选方案

最适合：向量数量超过1亿、有专职基础设施团队、对查询延迟要求极高的场景。

核心优势：原生分布式架构，存算分离设计，支持多种索引类型（HNSW、IVF、DiskANN），生产案例最丰富（爱奇艺、微信、小红书均在使用）。

核心劣势：部署复杂（依赖 etcd、MinIO、Pulsar），学习曲线陡峭，小规模场景下完全是杀鸡用牛刀。

典型用户画像：大厂数据基础设施团队，或需要支撑亿级用户的 AI 平台。

---

Qdrant向量数据库实战 — 性能与轻量的完美平衡

最适合：中大规模生产场景（百万到十亿量级），需要高性能过滤查询，或有混合搜索需求的团队。

核心优势：Rust 实现，内存效率极高；原生支持稀疏+稠密混合搜索；Payload 过滤查询性能业界领先；单节点部署极简，扩展到集群也不复杂。

核心劣势：生态不如 Milvus 成熟，企业级特性（RBAC等）还在完善中。

典型用户画像：需要生产可用的向量搜索，但不想引入 Milvus 那样复杂的基础设施的中小团队。

---

Weaviate向量数据库实战 — AI-Native，内置 Embedding 和 RAG

最适合：需要快速构建 AI 应用、不想手动管理 Embedding 流程、或需要多模态搜索的团队。

核心优势：内置多个 Embedding 模型模块（OpenAI、Cohere、HuggingFace等），GraphQL API 设计优雅，原生支持混合搜索，多租户支持完善。

核心劣势：超大规模场景下性能不及 Milvus；GraphQL 学习成本对习惯 REST 的团队有一定门槛。

典型用户画像：AI 应用开发团队，希望"向量数据库+Embedding服务"一体化，减少系统复杂度。

---

pgvector实战指南 — 已有 PG 栈的最优解

最适合：已经在使用 PostgreSQL 的业务系统，向量规模在千万以内，不想引入新系统的团队。

核心优势：零新增系统，复用现有 PG 的运维、备份、监控体系；支持 ACID 事务，向量和业务数据可以 JOIN；Supabase、AWS RDS、Neon 等主流 PG 云服务均支持。

核心劣势：向量规模超过2000万后性能显著下降；不支持分布式扩展；索引构建速度较慢。

典型用户画像：SaaS 产品团队，已经有 PG 数据库，想以最小代价给产品加上 AI 搜索能力。

---

Chroma向量数据库实战 — 开发者的第一个向量数据库

最适合：学习向量数据库概念、快速原型验证、本地开发和测试。

核心优势：pip 安装即用，API 极其简单，内置默认 Embedding 函数，与 LangChain、LlamaIndex 深度集成。

核心劣势：不适合生产大规模部署，多租户支持弱，性能上限低，分布式能力有限。

典型用户画像：刚开始学习 RAG 或 LLM 应用开发的工程师，或需要快速验证想法的独立开发者。

---

场景化推荐

直接告诉你答案，不绕弯子。

应用场景	推荐方案	选择理由
个人项目 / 学习 RAG	Chroma	最快上手，无需任何基础设施
企业知识库（< 500万文档）	Qdrant 或 pgvector	稳定、易维护，运维成本低
企业知识库（> 500万文档）	Milvus 或 Qdrant 集群	扩展性好，支持高并发
电商语义搜索	Qdrant（混合搜索）	高性能 Payload 过滤，混合搜索召回率高
推荐系统（亿级用户）	Milvus	超大规模实时检索，生产案例最多
已有 PG 的 SaaS 产品	pgvector	零新增系统，复用现有运维体系
AI 应用平台 / 多模态	Weaviate	AI-Native，内置 Embedding，模块化设计
RAG 生产系统（中规模）	Qdrant	高可用、高性能、运维不复杂
RAG 生产系统（大规模）	Milvus	经过大规模生产验证
希望减少基础设施运维，采用纯托管	Pinecone 或 Zilliz Cloud	可减少基础设施运维，仍需管理数据、权限、成本和服务质量
图像/音视频相似搜索	Milvus 或 Weaviate	多模态支持完善

---

演进路径：从学习到生产

大多数团队不是从一开始就在大规模生产环境，而是经历一个逐步演进的过程。以下是典型的演进路径：

学习阶段
Chroma（内存模式）
最快上手，理解向量检索的基本概念
        ↓
原型验证阶段
Chroma（持久化）或 pgvector
有了持久化，开始验证业务逻辑
重点：跑通 RAG 流水线，不是追求性能
        ↓
小规模生产（< 100万向量）
pgvector（已有PG） 或 Qdrant Standalone
真实流量，需要稳定性和可监控性
重点：运维简单，不要引入不必要的复杂度
        ↓
中规模生产（100万 - 1亿向量）
Qdrant 集群 或 Milvus Standalone
开始需要考虑扩展性和高可用
重点：索引策略、查询性能调优
        ↓
大规模生产（1亿+ 向量）
Milvus Distributed 或 Zilliz Cloud
存算分离，水平扩展
重点：基础设施自动化，成本优化

---

2025-2026 年趋势判断

趋势假设：若无重大技术范式转变，现有格局可能相对稳定，但不能排除颠覆性新玩家。 向量数据库赛道经历了2022-2023年的爆发期，主要玩家已经确定。除非有重大技术范式转变，现有格局不会大变。

Milvus 和 Qdrant 是开源领域的两大赢家。 前者靠超大规模场景和 LF AI & Data 背书稳住企业市场，后者靠 Rust 性能和优秀的开发者体验赢得中小团队。两者的竞争格局类似 Kafka 和 Pulsar。

pgvector 功能快速追赶，正在蚕食小规模市场。 pgvector 0.7+ 版本的 HNSW 性能已经达到生产可用水平，对于数据量在千万以内的场景，"用 PG 就够了"正在成为主流选择。

纯向量搜索正在成为"旧时代"。 混合搜索（向量 + BM25）已成为生产 RAG 系统的标配。只支持纯向量搜索的产品，其竞争力正在快速下降。

托管服务的价值回归理性。 Pinecone 等早期纯托管产品的溢价已经难以为继，Zilliz Cloud（Milvus托管）和 Qdrant Cloud 提供了更有竞争力的方案。对于不想运维的团队，托管服务仍然是合理选择。

GraphRAG 和多跳推理带来新需求。 纯向量搜索在需要多步推理的场景下效果有限，图数据库 + 向量搜索的混合架构（如 NebulaGraph + Milvus）开始出现在生产系统中。

---

专题文档索引

文档	定位	适合场景
[[【技术与工具】/向量数据库/Milvus/00-Milvus学习路线图	Milvus向量数据库实战]]	超大规模分布式向量数据库
[[【技术与工具】/向量数据库/Qdrant/00-Qdrant学习路线图	Qdrant向量数据库实战]]	高性能轻量向量数据库
[[【技术与工具】/向量数据库/Weaviate/00-Weaviate学习路线图	Weaviate向量数据库实战]]	AI-Native向量数据库
[[【技术与工具】/向量数据库/pgvector/00-pgvector学习路线图	pgvector实战指南]]	PostgreSQL向量扩展
[[【技术与工具】/向量数据库/00-向量数据库选型指南	Chroma向量数据库实战]]	开发者向量数据库

---

#向量数据库 #技术选型 #RAG #AI工程 #数据库