什么是向量数据库？向量数据库该怎么选？

这篇文章帮你梳理一下向量数据库的核心概念、工作原理和主流产品对比。

先用一个架构图帮你直观理解向量数据库在整个 AI 技术栈中的位置和工作原理。

一、什么是向量数据库

向量数据库是专门面向高维向量（Embedding嵌入向量），提供存储、索引、高效检索与管理能力的专用数据库，是RAG、AI智能体、语义搜索、个性化推荐等AI应用的核心底层组件。其核心核心能力是近似相似性搜索：输入一个查询向量，快速召回向量空间中距离最近、语义最相似的Top-K结果。

下面这张图展示了向量数据库在 AI 应用中的典型架构位置：

为什么需要向量数据库？

传统数据库（MySQL、PostgreSQL）擅长精确匹配——“找到 id=42 的行”。但 AI 场景需要的是语义相似——“找到和’猫科动物’含义最接近的文档”。传统数据库做不了这个事，因为：

1. 传统数据库：基于 B+ 树索引，精确匹配，无法理解语义
2. 全文检索（如 Elasticsearch）：基于关键词匹配，"猫"和"小猫"能匹配，但"猫"和"feline"匹配不上
3. 向量数据库：通过 Embedding 模型将文本转为数学向量，语义相近的内容在向量空间中距离也相近，从而实现跨语言、跨表达方式的语义检索。完美匹配了AI的需求，简直是为AI量身定做的。

---

二、向量数据库核心原理

1. Embedding（嵌入）

任何数据（文本、图片、音频）通过 Embedding 模型（如 OpenAI text-embedding-3、BGE、Cohere）转换为一个固定维度的浮点数数组，典型维度为 768、1024、1536、3072 维。

例：“今天天气很好” → [0.023, -0.156, 0.891, 0.045, ..., -0.332]（1536维）

2. 相似度度量

度量方式	公式	适用场景
余弦相似度	cos(A,B) = A·B / (|A|×|B|)	文本检索，关注方向不关注长度
欧氏距离 (L2)	d = √Σ(aᵢ-bᵢ)²	图像检索，关注绝对距离
内积 (IP)	A·B = Σaᵢ×bᵢ	推荐、MaxSim 检索

3. ANN 索引算法

暴力遍历百万级向量的计算量是 O(n×d)，不可接受。ANN 通过预建索引将搜索降到亚线性时间：

算法	原理	召回率	速度	内存	代表产品
HNSW	分层可导航小世界图	高	快	高	Qdrant, Weaviate, Milvus
IVF	倒排文件 + K-Means 聚类	中高	中	中	Milvus, FAISS
PQ	乘积量化压缩	中	快	低	FAISS
HNSW+PQ	图索引 + 量化压缩	高	快	中	Qdrant
DiskANN	磁盘优化图索引	高	中	极低	Milvus

---

三、主流向量数据库对比

现在用一张雷达图来直观对比各产品在关键维度上的表现：
下面是完整的深度对比分析：

三、六大主流向量数据库详细对比

1. 基本信息总览

维度	Pinecone	Milvus	Qdrant	Weaviate	pgvector	ChromaDB
开源	闭源	开源 (LF AI & Data)	开源 (Apache 2.0)	开源 (BSD-3)	开源 (PostgreSQL 扩展)	开源 (Apache 2.0)
核心语言	未公开	Go + C++	Rust	Go	C	Python
首发年份	2021	2019	2021	2021	2021	2022
部署方式	全托管云	自托管 / Zilliz Cloud	自托管 / Qdrant Cloud	自托管 / Weaviate Cloud	PostgreSQL 扩展	嵌入式 / Server
许可证	商业	Apache 2.0	Apache 2.0	BSD-3	PostgreSQL License	Apache 2.0
GitHub Stars	N/A	30k+	22k+	14k+	13k+	18k+

2. 技术特性对比

维度	Pinecone	Milvus	Qdrant	Weaviate	pgvector	ChromaDB
索引算法	专有	HNSW/IVF/PQ/DiskANN/GPU	HNSW (含量化)	HNSW	HNSW/IVF	HNSW
稀疏向量	支持	支持	支持	支持	不支持	有限
混合检索	支持	支持	支持	支持	需组合	有限
元数据过滤	支持	支持	强大	支持	SQL WHERE	支持
全文搜索	不支持	不支持	支持	支持	PG 原生	不支持
分布式	内置	原生分布式	分布式集群	集群模式	依赖 PG	不支持
GPU 加速	不支持	支持	不支持	不支持	不支持	不支持
多租户	Namespace	Partition	Collection	多租户	手动实现	不支持
RBAC	支持	支持	支持	支持	PG 原生	不支持
最大向量规模	取决于套餐	百亿级	十亿级	十亿级	百万级（推荐）	百万级

3. 性能与延迟

场景	最优选择	关键指标
中小规模 (<1M) 高性能	Qdrant	P99 延迟 ~15ms，纯 CPU
高维向量 (1024+)	Milvus	GPU 加速，延迟最低
超大规模 (>10M)	Milvus	DiskANN 索引，百亿级
简单场景低成本	pgvector	依赖 PG 基础设施，增量成本 ~0
快速原型验证	ChromaDB	本地运行，极简部署

4. 成本对比（年成本估算仅供参考，百万级向量）

产品	12个月 TCO	说明
Pinecone	~$840 - $2,760/年	全托管，按量计费，零运维
Milvus (Zilliz Cloud)	~$780/年起	云托管版，需运维人力
Qdrant (自托管)	~$660/年	服务器 + EBS + 10% 运维
pgvector	~$130/年	已有 PG 则增量成本极低
ChromaDB	$0	本地嵌入式，完全免费

5. 各产品一句话总结

产品	一句话定位
Pinecone	"我有钱但不想要运维"团队的首选，全托管零配置
Milvus	企业级重型选手，CNCF 毕业，适合百亿级数据和 GPU 加速
Qdrant	Rust 写的性能怪兽，过滤查询能力最强，性价比之王
Weaviate	语义搜索专家，内置向量化模块，GraphQL API 友好
pgvector	“别过度工程化”，已有 PG 就别再引入新系统了
ChromaDB	LLM 开发者的玩具数据库，5 分钟跑起来，适合原型，不建议正式生产使用

---

四、选型决策指南

你的数据量有多大？
├── < 100 万向量
│   ├── 已有 PostgreSQL？→ pgvector（零增量成本）
│   ├── 快速原型/学习？→ ChromaDB（5分钟上手）
│   └── 需要高性能？→ Qdrant（Rust 性能怪兽）
├── 100 万 - 1000 万向量
│   ├── 有运维团队？→ Qdrant 或 Milvus
│   └── 零运维要求？→ Pinecone 或 Zilliz Cloud
└── > 1000 万向量
    ├── 需要 GPU？→ Milvus（唯一支持 GPU 加速）
    ├── 预算充足？→ Milvus 或 Pinecone
    └── 预算有限？→ Qdrant + 分片

---

五、行业趋势

1. pgvector 正在吞噬小规模场景——数据量 <100 万时，很多人不再引入独立向量数据库
2. Milvus 仍是企业级首选——CNCF 毕业项目，Zilliz Cloud 降低了自建门槛
3. Qdrant 是增长最快的黑马——Rust 生态加持，性能口碑极佳，LangChain/LlamaIndex 深度集成
4. Faiss 不应被忽略——不是独立数据库，但作为算法库被 Milvus、Qdrant 等广泛集成
5. RAG + Agent Memory 占据 65% 的使用场景——这是向量数据库最大的应用驱动力

---

一句话总结：“小量pgvector、中量Qdrant、大量Milvus、没钱Chroma、有钱Pinecone”