第 6 章:五种方案,各自的位置
选库不是选"最强的",是选"运维成本和你现在手里的东西最匹配的"。
学习目标
- 按数据规模和现有技术栈,快速定位该选哪个
- 说清 pgvector 的优势不在性能,而在"事务与一致性"
- 知道 Milvus 重在哪、什么规模才值得
- 对 Redis vector sets 的能力边界有准确预期
6.1 先分成三档
| 档位 | 数据量 | 典型选择 |
|---|---|---|
| 原型 / 单机 | 十万条以内 | Chroma、Qdrant 单机、pgvector |
| 小生产 | 十万到千万 | Qdrant、pgvector |
| 大规模 | 亿级、多租户、高并发 | Milvus、Qdrant 分布式 |
先认清自己在哪一档,能省掉 80% 的选型纠结。
6.2 Qdrant:本课的主线
| 维度 | 情况 |
|---|---|
| 部署 | 单个 Rust 二进制 / Docker,一个容器即可 |
| 接口 | REST + gRPC,客户端覆盖 Python/JS/Rust/Go 等 |
| 过滤 | payload 任意字段过滤,支持嵌套与范围 |
| 混合检索 | named vectors + 稀疏向量 + 融合查询 |
| 量化 | 标量、二值、乘积量化 |
| 扩展 | 支持分布式分片,但小规模不必上 |
适合:想一个组件搞定"向量 + 元数据过滤 + 混合检索",又不想维护分布式集群。
不适合:已经在用 Postgres 且希望"向量和业务数据同一个事务"的场景——这时 pgvector 更省心。
6.3 pgvector:优势在事务,不在峰值性能
sql
CREATE EXTENSION vector;
CREATE TABLE chunks (
id bigserial PRIMARY KEY,
book_id bigint REFERENCES books(id),
content text,
embedding vector(512)
);
CREATE INDEX ON chunks USING hnsw (embedding vector_cosine_ops);
SELECT id, content, 1 - (embedding <=> $1) AS score
FROM chunks
WHERE book_id = $2
ORDER BY embedding <=> $1
LIMIT 5;三个运算符要记:
| 运算符 | 含义 |
|---|---|
<-> | L2 距离 |
<=> | 余弦距离(注意是"距离",1 - 相似度) |
<#> | 负内积 |
真正的优势:
- 向量和业务表在同一个库里,更新可以放在同一个事务,不会出现"业务数据改了、向量没改";
- 备份、监控、权限复用你已有的 Postgres 运维体系;
- 过滤就是 SQL,
WHERE怎么写都行。
代价:千万级以上、高并发纯向量查询时,Postgres 的 HNSW 不如专用库稳;内存与连接池要和业务库抢。
6.4 Milvus:为规模而生,也为规模所累
Milvus 是分布式架构,完整部署通常要 etcd(元数据)、对象存储(MinIO/S3)、消息队列等组件。官方也提供轻量版本用于本地开发,但生产形态就是"一套集群"。
适合:
- 亿级向量、需要水平扩展;
- 多租户、强隔离;
- 团队里有人专门维护这套基础设施。
不适合:十万条数据的小项目。为了"以后可能变大"提前上集群,是目前最常见的过度设计。
6.5 Chroma:原型阶段的最优解
python
import chromadb
client = chromadb.PersistentClient(path="./chroma_db")
col = client.get_or_create_collection("books")
col.add(ids=["1"], documents=["孩子发烧怎么办"], metadatas=[{"book": "育儿手册"}])
print(col.query(query_texts=["婴幼儿体温异常"], n_results=3))- 一个
pip install,无需服务; - 自带 embedding 函数(也可以传自己的向量);
- 支持持久化到本地目录。
适合:写 demo、做原型、单机脚本。
不适合:多进程并发写、大规模、需要细粒度参数控制。它的定位就是"先跑起来看看"。
6.6 Redis 8 vector sets:顺手,但要看清阶段
Redis 8 引入的 vector sets 用 VADD 写入、VSIM 查询,底层是 HNSW,社区版可用。
| 优势 | 限制 |
|---|---|
| 已有 Redis 就零新增组件 | 目前仍是 preview 阶段,接口可能变 |
| 与缓存、队列同库 | 过滤能力和参数控制弱于专用库 |
| 延迟低 | 大规模、复杂混合检索不是它的强项 |
判断标准:如果向量只是"顺手加个相似搜索",用 Redis 够了;如果检索是产品核心能力,用 Qdrant 或 pgvector。
6.7 一张决策图
6.8 迁移成本:一开始就要想
| 迁移方向 | 主要工作量 |
|---|---|
| 同库换参数 | 重建索引 |
| 换库 | 重新灌向量 + 改写查询层 + 重做过滤逻辑 |
| 换 embedding 模型 | 全量重算向量(与换库叠加) |
降低迁移成本的办法只有一个:把向量库的调用都收在一个薄封装里(建库、写入、查询三个方法),业务代码不直接碰客户端。这样换库时只改一个文件。
6.9 一句话总结各家
| 库 | 一句话 |
|---|---|
| Qdrant | 中小规模最省心的"专用库" |
| pgvector | 已有 Postgres 时的默认答案,赢在事务 |
| Milvus | 亿级规模的正确答案,代价是一套集群 |
| Chroma | 原型阶段的正确答案,别拿去上生产 |
| Redis vector sets | 已有 Redis 时的顺手选项,认清 preview |
本章小结
| 要点 | 说明 |
|---|---|
| 先分档 | 十万 / 千万 / 亿,决定候选集 |
| Qdrant | 单容器起步,过滤与混合检索完整 |
| pgvector | 事务一致性是真优势,过滤即 SQL |
| Milvus | 规模换运维,小项目别上 |
| Chroma | 原型最快,不适合并发与大规模 |
| Redis | preview 阶段,适合"顺手"场景 |
| 迁移 | 查询层做薄封装,别让业务碰客户端 |
下一章
选完库,最后一步是把它稳稳地跑在生产上:容量怎么算、数据怎么改、备份怎么做、监控看什么。