May 19, 2026

更新于 May 19, 2026

2026 向量数据库对比：Chroma/Qdrant/Milvus/pgvector

向量数据库这两年百花齐放。但 RAG 项目里，绝大多数选错了——要么用了太重的（Milvus 跑几千文档），要么用了太轻的（Chroma 跑几千万）。本文按场景给清晰选型。

一、6 个主流选项

DB	类型	适合规模	部署复杂度
Chroma	嵌入式 / 服务	< 1M	极低
Qdrant	服务	1M – 100M	中
Milvus	服务	10M – 10B	高
pgvector	Postgres 扩展	< 10M	低（如已有 PG）
Weaviate	服务	1M – 100M	中
Pinecone	SaaS	1M – 1B	极低（托管）

二、性能（10M 向量，1024 维，top-10 检索）

DB	召回率	QPS	p95 延迟	内存
Chroma	高	200	50ms	高
Qdrant	极高	2500	8ms	中
Milvus	极高	3000+	10ms	中
pgvector (HNSW)	高	1500	12ms	中
Weaviate	高	1800	15ms	中
Pinecone	高	受限于套餐	20ms	托管

结论：

性能极致：Qdrant / Milvus
工程简单：pgvector（如已有 Postgres）
入门：Chroma

三、Chroma：入门首选

import chromadb

client = chromadb.PersistentClient(path="./chroma_db")
coll = client.get_or_create_collection("docs")
coll.add(
    ids=["1", "2"],
    documents=["text A", "text B"],
    embeddings=[emb_a, emb_b],
    metadatas=[{"src": "doc1"}, {"src": "doc2"}],
)

results = coll.query(query_embeddings=[query_emb], n_results=5)

优势：

零运维
API 极简
嵌入 + 服务两种模式
自动批量

劣势：

超 1M 向量明显变慢
没有真正高级查询（filter 简单）
没有真正水平扩展

适合：50 万以内文档 / Demo / 个人项目。

四、Qdrant：性能 / 易用平衡

from qdrant_client import QdrantClient
from qdrant_client.models import VectorParams, Distance, PointStruct

client = QdrantClient("http://localhost:6333")
client.create_collection(
    "docs",
    vectors_config=VectorParams(size=1024, distance=Distance.COSINE),
)

client.upsert(
    collection_name="docs",
    points=[PointStruct(id=1, vector=emb, payload={"src": "doc1"})],
)

hits = client.search(collection_name="docs", query_vector=query_emb, limit=5)

优势：

性能极强
HNSW + 量化
富 filter（嵌套字段、范围查询）
Docker 部署简单
HTTP / gRPC

劣势：

单机最多到 1 亿规模
分布式集群配置复杂

适合：百万 - 亿级 / 生产 RAG / 数据敏感（自部署）。

五、Milvus：大规模生产

from pymilvus import MilvusClient

client = MilvusClient(uri="http://localhost:19530")
client.create_collection("docs", dimension=1024)
client.insert("docs", data=[{"id": 1, "vector": emb, "src": "doc1"}])
hits = client.search("docs", data=[query_emb], limit=5)

优势：

真正水平扩展
多副本 / 强一致
丰富索引（IVF / HNSW / DiskANN）
集群管理工具完善

劣势：

部署复杂（K8s）
1M 以下规模性价比低
学习曲线陡

适合：千万 - 数十亿规模 / 团队有 SRE / 数据是核心资产。

六、pgvector：已有 Postgres 的最佳选择

CREATE EXTENSION vector;

CREATE TABLE docs (
  id SERIAL PRIMARY KEY,
  content TEXT,
  src TEXT,
  embedding vector(1024)
);

CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops);

-- 检索
SELECT id, content, src, embedding <=> '[...]' AS distance
FROM docs
WHERE src = 'doc1'
ORDER BY distance
LIMIT 5;

优势：

一个 DB 搞定向量 + 关系数据
事务支持
完整 SQL（JOIN、聚合）
备份 / HA 复用现有 PG 设施

劣势：

HNSW 性能不如专用
不擅长百万级以上
索引建得慢

适合：项目已有 Postgres / 数据量 < 10M / 不想多维护一个组件。

七、Weaviate：GraphQL + Multi-tenancy

import weaviate

client = weaviate.Client("http://localhost:8080")
client.schema.create_class({
    "class": "Doc",
    "vectorizer": "none",
})
client.data_object.create({"content": "...", "src": "doc1"}, "Doc", vector=emb)

result = client.query.get("Doc", ["content", "src"]) \
    .with_near_vector({"vector": query_emb}) \
    .with_limit(5) \
    .do()

优势：

GraphQL 查询
内置 multi-tenancy
模块化（可接 OpenAI 自动 embed）

劣势：

复杂度比 Qdrant 高
中文社区资料少

适合：多租户 SaaS / 重度依赖 GraphQL 的团队。

八、Pinecone：完全托管

from pinecone import Pinecone

pc = Pinecone(api_key="...")
index = pc.Index("docs")
index.upsert(vectors=[{"id": "1", "values": emb, "metadata": {"src": "doc1"}}])
results = index.query(vector=query_emb, top_k=5)

优势：

零运维
全球部署
高可用

劣势：

国内访问看网络
数据出境
按存储 + QPS 计费，量大很贵

适合：海外项目 / 不想自己运维 / 预算充足。

九、混合检索（BM25 + Vector）

中文 RAG 强烈推荐混合检索：

DB	混合检索内置支持
Qdrant	✓（hybrid search）
Milvus	✓
Weaviate	✓
Chroma	✗（自己拼）
pgvector	部分（用 tsvector 自拼）

详见中文 RAG 工程实战。

十、决策表

你的情况	选
Demo / < 100k 文档	Chroma
< 1M 文档 + 已有 PG	pgvector
< 1M 文档 + 重检索性能	Qdrant
1M – 10M 文档	Qdrant
10M+ 文档 + 团队有 SRE	Milvus
海外 + 不想运维	Pinecone
多租户 SaaS	Weaviate / Qdrant
实时增量更新频繁	Qdrant / pgvector
数据敏感不能出局	Qdrant 自部署 / pgvector

十一、迁移成本

各家 API 不通用。从一个迁到另一个需要：

重新导出所有 embedding（或重新算）
重写 ingest 代码
重写 query 代码
调 chunk / index 参数
跑回归测试

第一次选错代价大。建议：从 Chroma / pgvector 起步，量大再迁。

十二、相关阅读

向量库选好后，embedding 接 YoTradeApi 中转，一把 Key 跑 text-embedding-3-large / voyage / 国产 embedding。