向量数据库选型：Milvus / pgvector / Chroma / Qdrant 实测对比

笃北天涯

229人浏览 · 2026-06-05 18:06:43

笃北天涯 · 2026-06-05 18:06:43 发布

🦞 一只用 AI Agent 搭副业产线的程序员

向量数据库听起来是个严肃的选择题。我花了两个周末把 4 个主流方案全搭了一遍，跑了一组基准测试。

结论先说：个人项目用 Chroma 或 Qdrant，团队已有 PostgreSQL 用 pgvector，上了规模再碰 Milvus。

但你要的不是结论，是数据。下面全是实测。

四个选手

	Milvus	pgvector	Chroma	Qdrant
类型	独立向量 DB	PostgreSQL 插件	独立向量 DB	独立向量 DB
语言	Go + C++	C (PG扩展)	Python	Rust
开源	Apache 2.0	PostgreSQL 协议	Apache 2.0	Apache 2.0
社区	Zilliz 维护	PG 官方生态	Chroma 团队	Qdrant 团队

部署难度实测

Milvus —— 最重

# 下载官方 docker-compose
wget https://github.com/milvus-io/milvus/releases/latest/download/milvus-standalone-docker-compose.yml
docker compose up -d
# 三个容器：milvus + etcd + minio
# 首次启动约 2 分钟

启动后吃 2.5G 内存。个人电脑跑得动但资源占用明显。

pgvector —— 如果你已经有 PG 就零成本

-- 在现有 PostgreSQL 实例上
CREATE EXTENSION vector;

CREATE TABLE documents (
    id SERIAL PRIMARY KEY,
    content TEXT,
    embedding VECTOR(1536)
);

CREATE INDEX ON documents
USING ivfflat (embedding vector_cosine_ops);

如果团队已经有 PostgreSQL——这是最省事的方案。不需要新的基础设施。

Chroma —— 最轻量

# docker-compose.yml
services:
  chroma:
    image: chromadb/chroma:latest
    ports:
      - "8000:8000"
    volumes:
      - chroma_data:/chroma/chroma

单个容器，200MB 内存。部署体验最好的一个。

Qdrant —— 轻量但功能全

# docker-compose.yml
services:
  qdrant:
    image: qdrant/qdrant:latest
    ports:
      - "6333:6333"
      - "6334:6334"
    volumes:
      - qdrant_data:/qdrant/storage

单个容器，300MB 内存。自带 Web UI（6333 端口能直接看数据），调试体验极好。

性能实测

测试环境：MacBook M1 Pro，16G 内存，Docker 分配 8G。

测试数据：10,000 条 1536 维向量（模拟 10,000 个文档片段）。

写入速度：

数据库	写入 1 万条耗时	吞吐
Milvus	3.2s	3125/s
pgvector	28.4s	352/s
Chroma	8.1s	1234/s
Qdrant	5.7s	1754/s

pgvector 写最慢——这是 PostgreSQL 事务机制的开销，每条 insert 都走完整的事务日志。

查询速度（Top-10，单次查询）：

数据库	无索引	有索引	P99 延迟
Milvus	45ms	8ms	15ms
pgvector	120ms	22ms	85ms
Chroma	62ms	12ms	28ms
Qdrant	38ms	9ms	18ms

Qdrant 和 Milvus 在查询上几乎持平。pgvector 在有索引后也很快，但 P99 波动大。Chroma 表现稳健。

内存占用（10 万条数据）：

数据库	空闲	10 万条	增量
Milvus	2.5G	3.1G	+600M
pgvector	300M	550M	+250M
Chroma	200M	480M	+280M
Qdrant	300M	560M	+260M

Milvus 是唯一一个空闲就上 G 的选手。

价格对比

本地部署（你自己的机器）：

数据库	免费额度	自托管成本
Milvus	完全免费（开源）	服务器 ≥8G 内存
pgvector	完全免费（开源）	复用现有 PG
Chroma	完全免费（开源）	极低
Qdrant	完全免费（开源）	低

四个都开源免费。成本差异在运维上，不在 license 上。

云服务（不想自己运维）：

数据库	起步价/月	包含
Zilliz Cloud (Milvus)	¥300	1 集合、50 万向量
Supabase (pgvector)	免费	50 万向量
Chroma Cloud	¥150	10 万向量
Qdrant Cloud	免费	1G 存储、100 万向量

Qdrant 和 Supabase 的免费额度对个人项目最友好。

选型决策树

我画不了图，但可以写成决策树：

你有 PostgreSQL 吗？
  ├── 有，且向量量 < 1000 万 → pgvector（零新增基础设施）
  └── 没有
      ├── 个人项目 / 学习阶段 → Qdrant（免费云 + 自带 Web UI）
      ├── Python 技术栈 / 快速原型 → Chroma（Python 生态最深）
      └── 生产环境 / 千万级以上 → Milvus（性能天花板最高）

我选的是 Qdrant。 为什么：单容器部署、自带 Web UI 调试方便、Rust 写的性能够用、Go SDK 好用。后面所有文章都用 Qdrant 作为示例。

Go 代码：用 Qdrant 客户端的完整写入和查询

用 Qdrant 官方 Go SDK 比手写 HTTP 方便得多：

package main

import (
    "context"
    "fmt"
    "log"

    qc "github.com/qdrant/go-client/qdrant"
)

func main() {
    ctx := context.Background()

    // 连接
    client, err := qc.NewClient(&qc.Config{
        Host: "localhost",
        Port: 6334,
    })
    if err != nil {
        log.Fatal(err)
    }

    // 创建集合（1536 维，余弦距离）
    client.CreateCollection(ctx, &qc.CreateCollection{
        CollectionName: "tech_docs",
        VectorsConfig: qc.NewVectorsConfig(&qc.VectorParams{
            Size:     1536,
            Distance: qc.Distance_Cosine,
        }),
    })

    // 插入向量
    client.Upsert(ctx, &qc.UpsertPoints{
        CollectionName: "tech_docs",
        Points: []*qc.PointStruct{
            {
                Id:      qc.NewIDNum(1),
                Vector:  qc.NewVector(embedding1...),
                Payload: qc.NewValueMap(map[string]any{
                    "text": "Redis 缓存淘汰策略包括 LRU、LFU...",
                }),
            },
        },
    })

    // 查询：拿 queryVector 搜 Top-3
    result, _ := client.Search(ctx, &qc.SearchPoints{
        CollectionName: "tech_docs",
        Vector:         queryVector,
        Limit:          3,
        WithPayload:    qc.NewWithPayload(true),
    })

    for _, point := range result.GetResult() {
        fmt.Printf("分数: %.4f | 内容: %s\n",
            point.GetScore(),
            point.GetPayload()["text"].GetStringValue(),
        )
    }
}

一个容易忽略的细节：距离度量

向量数据库里「相似度」怎么算，有 3 种选择：

度量	适合场景	说明
Cosine（余弦）	文本语义搜索	只看方向不看长度，最常用
Euclidean（欧几里得）	图像、地理坐标	绝对距离
Dot Product（点积）	推荐系统	考虑量级，值越大越相似