做检索增强(RAG)时,很多人的第一反应是“上向量数据库”。但工具选错,往往要么性能过剩、要么很快撑不住。本文按使用规模,把 pgvector、Qdrant、Milvus 三种主流路线放在一起对照。
三条路线,三种定位
pgvector 是 PostgreSQL 的扩展,把向量作为一种字段类型存进你已有的数据库;Qdrant 是轻量的专用向量数据库,单机即可跑起来,对过滤和托管友好;Milvus 面向分布式与超大规模数据,组件更多、运维更重。三者没有绝对优劣,关键看数据量和团队规模。
规模决定下限,别过度设计
- 已有 Postgres、数据量在中小规模:优先 pgvector,少维护一套系统,事务与元数据查询都方便;
- 独立的中小项目、需要快速上手:Qdrant 更省心,本地和云端都好部署;
- 千万级以上、需要水平扩展和高并发:再考虑 Milvus 这类分布式方案。
现实中大量 RAG 应用的数据量被高估了。先用简单方案跑通,比一上来就搭集群更划算。
功能上要看哪几点
除了“能不能存向量”,更要关注:元数据过滤(按时间、权限筛选)、是否支持混合检索(向量+关键词)、量化压缩以节省内存,以及是否有成熟的托管服务。若你的场景强依赖“先过滤再检索”,过滤器做得好的工具能省掉大量应用层代码。
运维与成本
pgvector 的成本几乎可以忽略在既有数据库上,但大规模下索引维护和内存要留意;Qdrant 资源占用适中、升级相对简单;Milvus 能力最强,但需要团队熟悉分布式组件,隐性运维成本最高。选型时把“谁维护”算进去,比只看性能数字更真实。
一张决策清单
- 数据量大概多少?先估算再选,别拍脑袋;
- 团队有没有专门的运维人力?没有就别上分布式;
- 是否需要混合检索与复杂过滤?
- 未来一到两年数据量会涨多少?留一档余量即可。
结论:从“够用且好维护”的方案起步,等真实瓶颈出现再迁移。向量数据库只是 RAG 的一环,检索质量更多取决于切分、嵌入模型和重排,工具选型服务于目标,而不是反过来。
本文属于专题RAG 与知识库7 篇全部专题 →
小7分享网