向量数据库怎么选？Qdrant/Milvus/Supabase 对比

2026-06-17

搭 RAG 知识库绕不开一个问题：向量怎么存、怎么查？这就要选一个向量数据库。市面上 Qdrant、Milvus、pgvector、Chroma 一堆名字，新手很容易被绕晕。这篇直接给结论：自己跑 demo / 小项目用 Chroma 或 pgvector，要上规模上生产用 Qdrant 或 Milvus。下面把四款拆开对比，帮你按自己的情况对号入座。

一句话选型结论

先给最直接的判断，不想看长文的看这段就够：

已经在用 Postgres / Supabase → 直接上 pgvector，不引入新组件，运维成本最低。
个人 demo、原型验证、几千到几万条数据 → Chroma，几行代码就能跑起来。
要上线、数据量百万级以上、追求查询性能 → Qdrant，部署轻、性能强、上手快。
企业级、千万/亿级向量、要分布式扩展 → Milvus，为大规模而生，但运维更重。

选型对比表

维度	Qdrant	Milvus	pgvector (Supabase)	Chroma
定位	专用向量库，性能/部署平衡	企业级分布式向量库	Postgres 扩展，复用现有库	轻量嵌入式，开发者友好
适合规模	百万~亿级	千万~十亿级	万~百万级	几千~几十万级
易用度	高，API 清晰	中，组件较多	很高（会 SQL 就会）	很高，几行代码起步
部署形态	自托管 / 云	自托管 / 云(Zilliz)	随 Postgres / Supabase 云	本地 / 自托管
运维负担	轻	重（依赖较多）	几乎为零（已有库的话）	极轻
过滤+向量混合查询	强	强	强（SQL 天然支持）	一般
成本特点	自托管省钱，云按量	大规模摊薄好，小规模偏重	边际成本近乎零	免费自托管

表中具体的性能基准、价格档位会随版本变化，以各家官方文档为准，这里只给相对量级和适用判断。

先搞懂索引原理，选型才不会拍脑袋

四款背后基本都用同一套索引思路：HNSW（分层可导航小世界图），Milvus 额外支持 IVF 系列。搞懂几个关键参数，你才知道”性能强”到底强在哪、代价是什么：

m（每个节点的最大连接数）：越大召回率越高，但内存占用和构建时间也越高。Qdrant/Milvus 默认多在 16 左右，百万级以内够用；如果你的召回率总卡在 90% 以下，先试着把 m 调到 32 再看效果，别急着换库。
ef_construction（建索引时的搜索宽度）：只影响建库速度和索引质量，不影响查询期延迟。写入量大、追求高召回时可以调到 200 以上，代价是建库变慢。
ef / ef_search（查询时的搜索宽度）：这个才是直接影响你线上查询延迟和召回率的旋钮。默认值往往是为了演示好看设的比较小，生产环境建议自己压测，在延迟和召回率之间找平衡点——从 64 开始往上加，边加边看 P99 延迟涨了多少。
量化（Quantization）：Qdrant 和 Milvus 都支持标量量化（Scalar Quantization）、乘积量化（PQ）把 float32 向量压缩成 int8 甚至更小，能省 4 倍以上内存，代价是召回率略降几个百分点。千万级以上向量、内存吃紧时这是必开选项，几千条的小项目完全不用管。

这几个参数不是配置项摆设——同一个库，参数没调对，“性能强”和”性能一般”能差出几倍延迟。选型只是第一步，调参才是决定生产体验的第二步。

逐款简评

Qdrant——用 Rust 写的专用向量数据库，部署轻、查询快、API 干净。单机就能扛百万级向量，带过滤的混合查询做得很好，文档清晰。短板是生态比 Postgres 系小，需要额外维护一个服务。适合：要上生产、又不想背 Milvus 那套重组件的中小团队。

Milvus——为超大规模而生的分布式向量数据库，支持十亿级向量、多种索引类型、水平扩展。后端能力是四款里最强的。短板是组件多、部署和运维偏重，小项目用它属于杀鸡用牛刀。适合：数据量极大、有专人运维、需要分布式弹性的企业。

pgvector (Supabase)——它不是独立产品，而是 Postgres 的一个向量扩展。如果你的业务数据本来就在 Postgres（或用 Supabase），装上 pgvector 就能在同一个库里存向量、做相似度检索，不用引入任何新组件，向量过滤直接用 SQL 写。短板是超大规模和极致性能不如专用库。适合：已有 Postgres 技术栈、数据量不算特别大的团队——这是性价比最高的起点。

Chroma——最轻量、最适合上手的嵌入式向量库，几行 Python 就能建库、写入、查询，本地跑零配置。短板是面向开发原型，生产级的高并发、大规模、高可用要打问号。适合：个人项目、demo、教学、RAG 原型验证。

落地怎么跑起来：四款的最短路径

选完型别只停在”我觉得该用哪个”，真正上手前先看一眼各家的起步成本，差异比想象中大。

Chroma：pip install chromadb，本地起一个 PersistentClient 指向文件夹，写入、查询全程不用装服务端，五分钟能跑通。缺点是本地模式不支持多进程并发写入，多个服务同时写同一个库容易踩坑，这也是它定位”原型验证”而非生产方案的原因。

pgvector：Supabase 控制台一键启用扩展即可；自建 Postgres 执行 CREATE EXTENSION vector;，建表时把某列类型设为 vector(1536)（维度要和 embedding 模型输出对齐，比如 OpenAI text-embedding-3-small 是 1536 维），查询用 ORDER BY embedding <=> query_vector LIMIT 10 做相似度排序。记得给这一列建 HNSW 索引，不建索引的话数据量一上万查询就会全表扫描，慢到没法用。

Qdrant：docker run -p 6333:6333 qdrant/qdrant 起本地实例，或用 Qdrant Cloud 免费套餐（通常有 1GB 左右额度，够跑几十万条向量的小项目）。建 collection 时指定向量维度和距离度量（cosine/dot/euclidean），几十行代码能跑通全流程。混合查询（向量相似度 + 元数据过滤，比如”只在某用户的文档里搜”）原生支持，直接在查询体里加 filter 条件，不用自己拼 SQL。

Milvus：最省事的方式是用 Zilliz Cloud 的托管版，跳过自己搭 etcd、MinIO、Pulsar 这一堆依赖组件的过程；自托管则建议用官方给的 docker-compose 一键部署。Milvus 的分区（Partition）和分片（Shard）概念是为分布式扩展设计的，小项目用不上，但了解一下有助于判断这套架构复杂度值不值得为你的数据量买单。

迁移路径：选错了怎么补救

前面说过选错能换，具体怎么换给个实操顺序，别到时候临时抓瞎：

导出原始数据：向量库存的是”向量 + 元数据（原文片段、来源、时间戳等）“，先把这些原始字段导出成 JSON 或 CSV，别只导向量数字——没有原文你没法核对迁移是否正确。
判断要不要重新嵌入：如果新库支持的向量维度和旧库一致、embedding 模型没换，直接搬运向量数值就行；如果换了 embedding 模型（比如从 OpenAI 换成开源的 BGE），必须用新模型把原文重新跑一遍嵌入，向量数值不能跨模型混用。
建新库索引结构：新库建表/建 collection 时按上一节的参数思路来一遍，尤其是维度和距离度量要跟 embedding 模型匹配（大部分场景用 cosine，个别模型建议用 dot product，看模型文档）。
批量写入 + 抽样校验：写入完成后随机抽 20~30 条原文做相似度查询，核对返回结果是否合理，别只看写入条数对不对就当成功。
灰度切流量：先让新库跑一段时间只读查询，跟旧库结果做 diff，确认没有系统性偏差再切主流量。

不换模型的话，几十万条向量的迁移往往几个小时能搞定；换模型重新嵌入则要留意 API 成本和耗时，量大建议分批跑、留好断点续传。

按需求怎么选

把选型拆成几个问题，顺着问一遍就有答案：

你现在有 Postgres 吗？ 有 → 优先 pgvector，少装一个东西就少一份运维。
是练手/原型还是要上线？ 练手 → Chroma 最快；上线继续往下问。
数据量多大？ 百万级以内 → pgvector 够用；百万到亿级 → Qdrant；亿级以上或要分布式弹性 → Milvus。
团队有没有运维人手？ 没有 → 躲开 Milvus，选托管 pgvector 或 Qdrant 云。

一个常见的稳妥路径：先用 pgvector 或 Chroma 把 RAG 跑通、验证效果，数据和并发涨上来了再迁到 Qdrant/Milvus。向量库不是越重越好，匹配当前阶段才是对的。

如果你是用工作流工具搭知识库，比如走 n8n 搭 RAG 知识库（规划中）这类低代码路线，往往内置或对接了上面某一款，重点反而不在选库，而在切分、嵌入和检索调优——这部分在 RAG 是什么里讲得更细。

常见问题

向量数据库和普通数据库有什么区别？ 普通数据库按精确值匹配（“等于 X”），向量数据库按语义相似度匹配（“最像这段意思的几条”）。RAG 要做的就是”找最相关的内容”，所以需要向量库或带向量能力的库。

一定要用专门的向量数据库吗？用 pgvector 行不行？ 小到中等规模完全行，pgvector 在百万级以内、又已有 Postgres 的场景下是最省事的选择。只有当数据量很大、对检索延迟很敏感时，专用库（Qdrant/Milvus）的优势才明显。

Qdrant 和 Milvus 到底怎么选？ 看规模和运维。百万到亿级、想轻部署选 Qdrant；亿级以上、要分布式弹性且有运维人手选 Milvus。 中小团队多数情况 Qdrant 更划算。

用哪个最省钱？ 自托管开源版（Chroma、pgvector、Qdrant、Milvus）软件本身都免费，成本主要在服务器和运维。已有 Postgres 时 pgvector 的边际成本几乎为零；用云托管则按量计费，具体价格以官方为准。

选错了能换吗？ 能。向量库存的就是向量和元数据，迁移主要是把数据重新写入新库（必要时重新嵌入）。所以前期不必纠结，先跑通再按需迁移是合理策略。

👉 看看 AI 数字员工落地指南，或了解数字员工搭建实战课。需要为企业落地知识库方案，欢迎找我们聊企业服务。