Skip to content
Lv3向量数据库进度 6 / 7

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。

横轴规模,纵轴运维成本数据规模 →运维成本 →10 万1000 万亿级Chroma原型最快Qdrant单机到分布式pgvector跟着 PG 走Milvus亿级,依赖多Redis顺手但不专精位置是示意:Chroma 最省事,Milvus 最重,Qdrant 在中间偏右,pgvector 贴着已有数据库。

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
Redispreview 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。

本文阅读--次|全站访问--次|访客--人