上一篇我们建立了一个产品全景地图，把主流向量数据库分成了三类：开源专用、商业云服务、融合型数据库。
但知道分类只是第一步。
真正到项目里做选型时，你会发现大家最纠结的问题不是"有哪些产品"，而是：
这几个产品到底有什么本质区别？我该怎么判断哪个更适合我的场景？
这一章，我们就来把 Milvus、Pinecone、Qdrant、Weaviate、Chroma、pgvector、LanceDB 这七款产品，从性能、部署、运维、成本、适用场景几个维度做一个深度对比。
不是"谁强谁弱"的排行榜，而是帮你建立一个判断框架。
01先说一个选型里最常见的误区
在做对比之前，我想先聊一个很多人都会踩的坑：只看性能 benchmark。
你可能在很多技术博客里看到过这样的对比：
插入 100 万向量，Milvus 用了 X 秒
查询 Top10，Qdrant 延迟 Y 毫秒
Pinecone 的 p99 延迟是 Z 毫秒
这些数据有用吗？有用。
但问题是：真实项目里的选型，从来不是只看"谁查得最快"。
一个更现实的问题清单应该是这样的：
我的数据能不能出境？
团队有没有运维能力？
需不需要权限过滤和多租户？
有没有现成的 PostgreSQL / Elasticsearch？
数据规模现在多大，未来会到哪里？
预算是多少，能不能接受云服务账单？
这些问题往往比"谁的 QPS 高 20%"更早决定你的选型。
建议：先看场景和约束，再看性能数据。
02Milvus：功能最全的重型选手
关键词：大规模、分布式、功能完整、CNCF
先说 Milvus。
如果你在做一个规模明确会很大的项目，比如企业级知识库、图片检索、多模态搜索，Milvus 几乎是绑定候选列表里的名字。
它的核心优势很明确：
支持 IVF、HNSW、DiskANN 等多种索引
支持十亿级向量
从单机到分布式的灵活部署
CNCF 毕业项目，社区活跃，中文资料丰富
生态完善，和各种 ML 框架集成好
但 Milvus 的"重"也是出了名的。
生产环境部署通常需要三个组件配合：
etcd：元数据存储
MinIO：对象存储
Milvus：向量检索引擎本身
这意味着什么？意味着你的运维复杂度上来了。你需要关注 etcd 集群的稳定性、MinIO 的容量和备份、Milvus 各节点的资源配置、版本升级时的兼容性。
另外一个很实际的体验：Milvus 的版本迭代很快。这对项目发展是好事，但对使用者来说，API 变动频繁意味着你需要花更多时间跟进文档和升级指南。
**适用场景：**国内团队、私有化部署、数据量亿级以上、有运维能力或平台团队。
**价格参考：**开源免费。自建 100 万条 768 维向量，月成本约 $15（ECS 费用）。
Milvus 适合有明确大规模需求、有运维能力或平台团队支撑的项目。如果你的数据量还没到千万级，团队也没有专门的基础设施工程师，先别急着上 Milvus 集群。
03Pinecone：零运维的代价是什么？
关键词：全托管、Serverless、零运维、按量付费
Pinecone 是另一个极端的代表。
它可能是所有向量数据库里"上手最快"的一个。注册账号、创建 index、写入向量、查询 topK，整个过程可以压缩在一个下午。
它的优势很直白：
全托管，Serverless 架构
零运维，不需要管集群、索引、扩容
查询延迟 p99 在 20-50ms
支持多租户
按量付费，弹性扩缩
对于小团队、海外业务、快速验证产品来说，Pinecone 的吸引力非常强。因为你几乎可以把所有精力放在业务逻辑和 RAG 效果上。
但 Pinecone 有几个现实问题，你必须提前想清楚：
**第一，成本。**100 万向量月费约 10。差价接近 7 倍。当向量规模从百万级进入千万级，这个差距会进一步放大。
**第二，数据合规。**Pinecone 的服务器在海外。如果你的项目涉及国内企业客户、政府、金融、医疗等场景，数据出境是一个硬性约束。
**第三，迁移成本。**一旦数据和业务逻辑深度绑定 Pinecone，未来想迁移到自建方案或其他产品，成本会比较高。
**适用场景：**原型验证、小团队快速上线、海外业务、SaaS 产品、数据无合规要求。
**价格参考：**100 万向量/月约 50/月起。
Pinecone 很适合"快启动、小团队、数据无合规限制"的场景。但如果你的项目有可能进入大规模生产，建议提前做成本预估和迁移方案。
04Qdrant：性价比最均衡的选择
关键词：Rust、高性能、部署简单、过滤友好
说到 Qdrant，我想先问你一个问题：
你有没有遇到过这样的场景——用户问了一个问题，你不仅要找到语义相似的文档，还要限定"只看这个部门的""只看这个人有权限的""只看最近一年的"？
这在企业知识库里非常常见。
向量相似度搜索 + 元数据过滤
Qdrant 对这件事做得很顺手。它的 payload 设计允许你在向量数据上附加任意结构化元数据，然后在查询时做高效过滤。
除此之外，Qdrant 还有几个很务实的优点：
Rust 编写，性能优异，内存占用低
单容器部署，不需要 etcd、MinIO 等额外组件
API 设计清晰，文档体验好
过滤后的召回质量稳定
Qdrant 的劣势也比较明确：生态相对 Milvus 小一些，中文资料不如 Milvus 丰富。如果你的团队习惯看中文文档和社区讨论，可能需要多看看英文资料。
但从工程角度看，Qdrant 是目前在性能、部署复杂度、过滤能力之间最均衡的选择。
**适用场景：**追求性能、自建部署、数据隐私要求高、多租户、权限过滤需求、智能客服 / RAG 知识库。
**价格参考：**开源免费。自建 100 万向量月成本约 36/月起。
如果你问我"一个中小团队做 RAG 知识库，不知道选什么"，Qdrant 是我比较倾向推荐的起点。
05Weaviate：不只是向量存储，更像一个 AI 应用数据库
关键词：混合搜索、模块化、AI 应用集成、内置 Embedding
Weaviate 的定位比较特别。
它不是只想做一个"存向量、查向量"的组件，而是围绕 AI 应用做了大量集成：
内置多个 Embedding 模块（OpenAI、Cohere、HuggingFace 等）
支持 BM25 + 向量混合搜索
模块化向量化，数据写入时自动生成向量
Rerank 和生成式问答集成
这意味着你可以在不预生成向量的情况下，直接把原始文本写入 Weaviate，让它内部自动调用 Embedding 模型处理。对于快速搭建 AI 搜索应用的团队来说，确实省了不少工程。
Weaviate 的混合搜索能力也很值得说一下。在很多真实搜索场景里，纯向量检索其实不够稳。
比如用户搜索一个产品型号"AX-7023"、一个错误码"E4051"、一个合同编号，这些内容的语义并不复杂，但关键词精确匹配非常关键。
纯向量检索：可能把语义相近但实际不相关的内容排在前面
混合搜索：同时考虑关键词精确匹配和语义相似度，结果更稳
Weaviate 的劣势主要是云服务定价相对较高，以及系统概念比较多，需要一定学习成本。
**适用场景：**混合搜索场景（BM25 + 向量）、需要内置 Embedding 模块、语义搜索产品、内容发现和推荐。
**价格参考：**开源免费。Cloud Free~20/月起。
如果你想构建一个混合搜索能力强的 AI 应用，Weaviate 的产品集成度可能是目前最高的。
06Chroma：5 分钟搭原型，但别忘了边界
关键词：轻量、Python、pip 安装、POC 友好
Chroma 大概是所有向量数据库里"上手门槛最低"的。
pip install chromadb
一行命令安装完，几行 Python 代码就能跑起来一个 RAG demo。
这对于教学、实验、快速验证想法来说非常友好。很多开发者的第一个 RAG 原型，就是用 Chroma 搭出来的。
但我也想提醒一下：原型好用，不等于生产环境也能直接用。
Chroma 不是云原生架构
单机部署，不支持分布式
超 100 万条文档后性能下降明显
权限隔离、备份恢复、线上监控能力有限
**适用场景：**本地原型开发、小规模 POC、教学实验、快速验证 Embedding 效果。
**价格参考：**开源免费。Cloud Free~$250/月。
用 Chroma 来验证想法、跑通原型、做教学演示都非常好。但如果项目要上线，你需要认真评估数据规模和线上要求，必要时迁移到更适合生产的方案。
07pgvector：最务实的"不新增系统"方案
关键词：PostgreSQL、SQL、少维护一套系统
我想特别聊一下 pgvector。
因为它解决的不是"性能最强"的问题，而是一个更实际的问题：
我已经有 PostgreSQL 了，为什么还要再搭一套向量数据库？
很多企业的知识库系统不只有一个向量表。你通常还需要：
文档表：存储原始文档元信息
用户表：管理用户账号和角色
部门表：组织架构关系
权限表：控制谁能看什么
标签表：文档分类和标注
知识库配置表：各种业务参数
如果这些数据本来就在 PostgreSQL 里，那用 pgvector 直接在同一个库里做向量检索，是最省事的选择。
但 pgvector 的边界也要说清楚：
百万级以下数据量：表现稳定
百万到千万级：性能开始下降
千万级以上：明显落后于专用向量数据库
**适用场景：**已有 PostgreSQL 基础设施、数据量百万级以下、需要向量数据和业务数据关联查询、团队运维能力有限。
**价格参考：**完全免费（PostgreSQL 扩展）。
pgvector 的好处不是"性能吊打所有向量库"，而是它让你少维护一套系统。在很多项目里，这比极限性能更重要。
08LanceDB：多模态和数据湖方向的差异化路线
关键词：多模态、Lance 格式、AI 数据湖、列式存储
LanceDB 和其他向量数据库的路线有明显差异。
它基于 Lance 列式数据格式，强调的不只是"在线向量检索"，而是把 AI 数据管理、向量检索、离线分析放在一个统一的数据层里。
传统 RAG：文本 → 切分 → Embedding → 向量库 → 检索
LanceDB：多模态数据 → Lance 格式 → 统一存储 → 向量检索 + 离线分析
如果你的系统里不只有文档，还有大量图片、视频帧、模型特征、训练样本，LanceDB 的思路值得关注。
但目前 LanceDB 的产品成熟度和生态还在演进中。单线程查询延迟较高（p95 约 22ms），社区规模也比较小。
**适用场景：**多模态 AI 应用、数据湖场景、图片 / 视频搜索、模型训练数据管理。
LanceDB 代表的是一种方向：当 AI 应用从纯文本走向多模态，向量数据库可能需要重新思考数据层设计。
09一张图看懂七款产品的核心差异
图：从性能、部署复杂度、生态成熟度、运维成本、性价比和适用规模六个维度对比。这不是绝对排名，每个维度在不同团队眼里的权重不同。
10成本到底差多少？算一笔账
聊产品能力的时候，成本是一个绕不开的话题。
我简单算一下 100 万条 768 维向量的月成本：
| 产品 | 部署方式 | 月成本 | 备注 |
|---|---|---|---|
| Milvus | 自建 ECS | ~$15 | 仅服务器资源 |
| Qdrant | 自建 ECS | ~$10 | 仅服务器资源 |
| Weaviate | 自建 ECS | ~$20 | 仅服务器资源 |
| Chroma | 自建 | 免费 | 仅基础设施成本 |
| pgvector | PG 扩展 | 免费 | 已有 PG 无额外费用 |
| Pinecone | 全托管 | ~$70 | 按量付费 |
| Qdrant Cloud | 商业托管 | ~$36 | 起步价 |
图：自建方案和全托管服务之间的成本差距可以到 7 倍。
看到差距了吗？自建方案和全托管服务之间的成本差距可以到 7 倍。
但这里有一个很关键的"隐性成本"：人力运维成本。
自建虽然服务器费用低，但你需要有人维护集群、处理故障、做备份恢复、跟进版本升级。如果团队没有这个能力或意愿，"自建便宜"可能是一个错觉。
建议：在 POC 阶段就把成本模型算清楚，不只看月费，还要看运维人力、扩容成本、迁移成本。
11如果让我做选型，我会怎么判断？
最后分享一个我自己的选型思路。
我不会一开始就打开性能 benchmark 表。我会先问几个问题：
**第一，数据合规。**数据能不能出境、出内网？如果不能，Pinecone 这类外部云服务就先排除。
**第二，现有基础设施。**团队有没有 PostgreSQL 或 Elasticsearch？有的话优先考虑融合方案，少引入一套系统。
**第三，数据规模。**现在有多少数据，未来预期到多少？百万级以下 pgvector 就够，百万到千万级考虑 Qdrant，亿级以上认真评估 Milvus。
**第四，团队能力。**有没有运维能力？没有的话要么选云服务，要么选部署简单的方案。
**第五，业务需求。**需不需要混合搜索？需不需要强过滤？需不需要多模态？
把这些问完，选项其实已经缩小到 2-3 个了。然后再针对这 2-3 个做 POC 测试，对比真实业务数据下的召回质量和延迟。
图：一个简化的选型决策流程。从合规约束出发，逐步缩小候选范围。
12本章小结
这一章我们做了七款核心产品的深度对比。可以用几句话总结：
Milvus：功能最全，适合大规模，但部署重
Pinecone：零运维，上手快，但成本高、合规要评估
Qdrant：性价比最均衡，部署简单，过滤友好
Weaviate：混合搜索和 AI 应用集成最强
Chroma：原型开发最快，但生产要谨慎
pgvector：最务实的"少一套系统"方案
LanceDB：多模态和数据湖方向的差异化路线
但我想强调一点：没有"最好的"向量数据库，只有"最适合你的"向量数据库。
选型不是在选"谁最强"，而是在选"谁最匹配你的数据规模、部署要求、合规约束、团队能力和业务阶段"。
技术选型最怕的不是选了一个"不够强"的产品，而是选了一个和团队阶段不匹配的产品。
下一章，我们会进入 Embedding 模型篇，对比主流 Embedding 模型的优劣势，帮你解决"向量数据库选好了，但用什么模型来生成向量"这个问题。
