Yeats' Wiki

外观

向量数据库选型：Milvus、Pinecone、Weaviate 与 pgvector ​

RAG 的火爆带动了向量数据库赛道的井喷。 从老牌的 Milvus、Faiss，到云原生的 Pinecone、Weaviate，再到传统数据库的插件 pgvector、Redis VSS。 开发者面临着幸福的烦恼：到底选哪个？ 本文将从性能、易用性、成本、生态四个维度，为你提供一份选型指南。

1. 专用向量库 (Specialized Vector DB) ​

1.1 Pinecone ​

  • 定位: 全托管云服务 (Serverless)。
  • 优点: 极其易用，不用运维，扩缩容无感。Serverless 模式按需付费，成本低。
  • 缺点: 数据必须上云（且是 Pinecone 的云），无法私有化部署。
  • 适用: 快速验证、海外业务、不想招运维的团队。

1.2 Milvus ​

  • 定位: 企业级开源向量库。
  • 优点: 性能强悍，支持十亿级数据。功能丰富（标量过滤、多模态）。支持云原生（K8s）。
  • 缺点: 架构复杂（Etcd, MinIO, Pulsar...），运维成本极高。
  • 适用: 大厂、数据量巨大、有专职运维团队。

1.3 Weaviate / Qdrant ​

  • 定位: 开发者友好的开源向量库。
  • 优点:
    • Weaviate: 内置模块化（OCR, Spell Check），GraphQL 接口。
    • Qdrant: Rust 编写，性能好，单机可跑，支持各种过滤。
  • 适用: 中型项目，追求灵活性和性能平衡。

2. 传统数据库扩展 (Vector Extensions) ​

2.1 pgvector (PostgreSQL) ​

  • 定位: PG 的一个插件。
  • 优点: All-in-One。你的业务数据在 PG，向量数据也在 PG。事务支持（ACID）、备份恢复、Join 查询，全都继承了 PG 的优势。
  • 缺点: 性能不如专用库（虽然一直在优化，如 HNSW 索引）。
  • 适用: 90% 的中小型应用。如果你的数据量在百万级以下，pgvector 是首选。不要引入新的组件。

2.2 Redis / Elasticsearch ​

  • 优点: 也是利用现有基础设施。如果你已经用了 ES 做搜索，直接开启 KNN 即可。
  • 缺点: 内存占用高（Redis），或向量功能迭代较慢（ES）。

3. 嵌入式向量库 (Embedded Vector DB) ​

3.1 Chroma / LanceDB ​

  • 定位: 像 SQLite 一样，嵌在应用代码里。
  • 优点: 零部署，零运维。数据存在本地文件或 S3。
  • 适用: 本地 RAG、桌面应用、开发测试阶段。

4. 选型决策树 ​

  1. 数据量 > 1亿？

    • Yes -> Milvus / Zilliz
    • No -> 继续。

  2. 不想运维，接受数据上云？

    • Yes -> Pinecone
    • No -> 继续。

  3. 技术栈是 Python/JS，想要极简？

    • Yes -> Chroma / LanceDB
    • No -> 继续。

  4. 已经在使用 PostgreSQL？

    • Yes -> pgvector (强烈推荐)
    • No -> Qdrant / Weaviate

近年来，pgvector 的崛起是最大的变数。 对于绝大多数应用来说，专门部署一个向量数据库是过度设计。 Keep it simple. 除非你的向量规模真的大到了 PG 撑不住，否则，就用你熟悉的那个数据库吧。