向量数据库对比

向量数据库是 RAG 系统的核心存储层，负责高效存储和检索高维向量。选择合适的向量数据库直接影响 RAG 系统的延迟、吞吐量和可扩展性。本页对比当前主流向量数据库在架构、性能、功能和运维上的差异。

对比概览

维度	Pinecone	Weaviate	Milvus/Zilliz	Chroma	Qdrant	pgvector	Redis
开源性	闭源 (托管)	开源 (BSD)	开源 (Apache 2.0)	开源 (Apache 2.0)	开源 (Apache 2.0)	开源 (PostgreSQL 扩展)	开源 (BSD)
部署方式	全托管 SaaS	自托管 / 托管	自托管 / 全托管	嵌入式 / 服务端	自托管 / 托管	PostgreSQL 扩展	自托管 / 托管
最大规模	数十亿向量	十亿级	千亿级	百万级	十亿级	亿级	千万级
向量维度	20,000	65,536	32,768	无限制	65,536	16,000	16,000
索引类型	HNSW	HNSW + 实验性	HNSW / IVF / DiskANN	HNSW	HNSW	HNSW / IVF	FLAT / HNSW
混合搜索	稀疏向量	BM25 + 向量	多向量 + 全文	基础过滤	全文 + 向量	PostgreSQL 全文	无
元数据过滤	基础	强 (GraphQL)	强 (表达式)	基础	强	SQL (最强)	基础
多租户	命名空间	类级隔离	分区/集合	集合	集合	Schema 隔离	无
云原生	★★★★★	★★★★☆	★★★★★	★★★☆☆	★★★★☆	★★★★☆	★★★☆☆
定价模式	按存储+查询	自托管免费 / 托管按量	开源免费 / 托管按量	免费	自托管免费 / 托管按量	免费 (PostgreSQL)	按内存

关键差异

托管 vs 自托管

全托管（Pinecone、Zilliz Cloud）：

• 零运维，自动扩缩容
• 适合快速启动和团队缺乏基础设施经验
• 成本较高（Pinecone 约 $0.10/百万查询 + 存储费）
• 数据需出境（除非选择特定区域）

自托管（Milvus、Qdrant、Weaviate）：

• 完全控制，数据不出境
• 需要运维能力（Kubernetes、监控、备份）
• 成本主要为硬件（云服务器或本地）
• 适合有合规要求或大规模场景

嵌入式（Chroma）：

• 直接嵌入 Python 进程，无需独立服务
• 适合原型开发、本地 RAG、小型应用
• 生产环境扩展性有限

架构设计哲学

Pinecone — "向量搜索即服务"：

• 极简 API，无索引调参
• 自动选择最优索引参数
• 牺牲灵活性换取易用性
• 适合不想关心底层细节的团队

Milvus — "云原生向量数据库"：

• 存储计算分离架构
• 支持多种索引算法（HNSW、IVF_FLAT、DiskANN）
• 千亿级向量支持
• 与 Kubernetes 深度整合
• 适合超大规模、高并发场景

Weaviate — "AI-native 数据库"：

• 内置向量化（可选模块）
• GraphQL 查询接口
• 模块化架构（可插拔 embedding、reranker）
• 适合需要复杂查询和模块化设计的应用

Qdrant — "高性能 Rust 实现"：

• Rust 编写，性能优异
• 内置过滤和全文搜索
• 量化支持（Scalar、Product）降低内存
• 适合对延迟敏感的生产环境

pgvector — "PostgreSQL 原生"：

• 作为 PostgreSQL 扩展存在
• 最强元数据过滤（完整 SQL 能力）
• 事务支持、ACID 合规
• 适合已有 PostgreSQL 基础设施的团队
• 但纯向量性能不如专用数据库

性能基准

Approximate nearest neighbor (ANN) 搜索性能（1M 向量，768 维，recall@10 ≥ 0.95）：

数据库	查询延迟 (p99)	吞吐量 (QPS)	内存占用
Qdrant	5-10ms	2,000+	中等
Milvus (HNSW)	8-15ms	1,500+	高
Pinecone	10-20ms	1,000+	不透明
Weaviate	15-25ms	800+	高
pgvector	20-50ms	500+	低
Chroma	30-100ms	200+	低

注：实际性能高度依赖硬件配置、索引参数和数据分布。

混合搜索能力

现代 RAG 系统通常需要混合搜索——结合向量相似度和关键词匹配：

数据库	混合搜索方式	特点
Pinecone	稀疏-密集向量	单独存储稀疏向量，查询时融合
Weaviate	BM25 + 向量	内置 BM25，GraphQL 统一查询
Milvus	多向量 + 全文	支持多个向量字段 + 倒排索引
Qdrant	全文 + 向量	内置全文索引，过滤后向量搜索
pgvector	SQL 混合	PostgreSQL 全文搜索 + 向量相似度
Chroma	基础过滤	元数据过滤 + 向量搜索

推荐：如果混合搜索是核心需求，Weaviate 和 Milvus 的功能最完善；如果已有 PostgreSQL，pgvector 的 SQL 混合最灵活。

决策矩阵

场景	推荐数据库	理由
快速启动、零运维	Pinecone	托管服务，API 极简
超大规模（十亿级向量）	Milvus / Zilliz	云原生架构，水平扩展
低延迟生产环境	Qdrant	Rust 实现，性能最优
复杂查询、模块化设计	Weaviate	GraphQL，内置向量化
已有 PostgreSQL 基础设施	pgvector	零新增运维，SQL 强大
原型开发、本地 RAG	Chroma	嵌入式，Python 原生
缓存 + 向量混合场景	Redis	已有 Redis 时扩展向量能力
多租户 SaaS	Milvus / Qdrant	集合隔离，权限控制
金融/医疗合规	pgvector / Milvus	数据不出境，审计友好

与 Embedding 模型的配合

向量数据库本身不生成向量，需要配合 Embedding 模型 使用：

文档 → Embedding 模型 → 向量 → 向量数据库 → 相似度检索 → 候选文档

数据库	内置 Embedding	支持模型
Pinecone	否	任意
Weaviate	是 (模块)	OpenAI、Cohere、HuggingFace 等
Milvus	否	任意
Chroma	是 (默认)	sentence-transformers、OpenAI 等
Qdrant	否	任意
pgvector	否	任意

Weaviate 和 Chroma 的内置向量化降低了入门门槛，但生产环境通常建议解耦（独立 embedding 服务 + 向量数据库）。

运维考量

维度	Pinecone	Milvus	Qdrant	Weaviate	pgvector
备份恢复	自动	工具支持	快照	快照	PostgreSQL 原生
监控	内置仪表板	Prometheus	Prometheus	Prometheus	PostgreSQL 生态
版本升级	自动	手动/滚动	手动	手动	PostgreSQL 升级
高可用	自动	K8s 部署	副本集	K8s 部署	PostgreSQL HA
学习曲线	极低	中等	低	中等	低（会 SQL 即可）

成本估算（月）

以 1000 万向量、768 维、日均 10 万查询为例：

方案	估算月成本	说明
Pinecone (标准)	$200-400	按存储 + 查询计费
Zilliz Cloud	$300-500	按 CU 计费
Milvus 自托管 (AWS)	$150-300	r6g.2xlarge × 2
Qdrant 自托管	$100-200	单节点即可
pgvector (RDS)	$100-200	db.r6g.xlarge
Chroma	$0-50	嵌入式或轻量服务端

相关页面

• Vector Databases — 向量数据库技术原理
• Embedding Models / Vector Representations — Embedding 模型选型
• Embedding 模型对比 — Embedding 模型对比
• Semantic Search — 语义搜索实现
• Retrieval Augmented Generation — RAG 系统构建

参考来源

• Pinecone Documentation (2025). docs.pinecone.io

• Milvus Documentation (2025). milvus.io/docs

• Qdrant Documentation (2025). qdrant.tech/documentation

• Weaviate Documentation (2025). weaviate.io/developers

• pgvector GitHub (2025). github.com/pgvector/pgvector

• ANN-Benchmarks (2025). ann-benchmarks.com

• Large Language Model (LLM) — 大语言模型的核心定义、技术原理与发展历程