向量数据库对比

在 Clore.ai GPU 服务器上为您的 AI 应用选择合适的向量数据库。

向量数据库 高效存储和检索高维嵌入向量——RAG 系统、语义搜索和推荐引擎的核心基础设施。本指南比较四种最受欢迎的开源方案。

---

快速决策矩阵

	ChromaDB	Qdrant	Milvus	Weaviate
最适合	原型开发、本地开发	生产级 RAG	十亿级搜索	知识图谱
部署	嵌入式/服务器	服务器/云	服务器/云	服务器/云
可扩展性	单节点	多节点	分布式	分布式
GitHub 星标	1.7 万以上	2.1 万以上	3.1 万以上	12K+
许可证	Apache 2.0	Apache 2.0	Apache 2.0	BSD 3-Clause
托管云	否	是（Qdrant Cloud）	是（Zilliz）	是（Weaviate Cloud）
语言	Python	Rust	前往	前往

---

概览

ChromaDB

ChromaDB 是最简单的向量数据库——专为快速原型和中小规模应用设计。它可以完全在内存中运行，也可以持久化到磁盘。

理念：零配置，极致开发者体验。

import chromadb

client = chromadb.PersistentClient(path="/data/chroma")
collection = client.create_collection("my_docs")

collection.add(
    documents=["机器学习很棒", "深度学习使用神经网络"],
    ids=["doc1", "doc2"]
)

results = collection.query(
    query_texts=["什么是 AI？"],
    n_results=2
)

Qdrant

Qdrant 是一款使用 Rust 编写、可直接用于生产环境的向量搜索引擎。它专注于性能、过滤和运维简洁性。

理念：在不增加运维复杂度的情况下提供生产级性能。

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

client = QdrantClient("localhost", port=6333)
client.create_collection(
    collection_name="my_collection",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE)
)

client.upsert(
    collection_name="my_collection",
    points=[
        PointStruct(id=1, vector=[...], payload={"text": "文档 1"}),
    ]
)

results = client.search(
    collection_name="my_collection",
    query_vector=[...],
    limit=10,
    query_filter=Filter(must=[FieldCondition(key="category", match=MatchValue(value="技术"))])
)

Milvus

Milvus 是最具可扩展性的开源向量数据库，专为十亿级部署而设计。它采用分布式架构，并支持 Kubernetes。

理念：海量规模，云原生。

from pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType

connections.connect("default", host="localhost", port=19530)

fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536),
    FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=65535),
]
schema = CollectionSchema(fields)
collection = Collection("my_collection", schema)

# 插入数据
collection.insert([[1, 2], embeddings, texts])
collection.create_index("embedding", {"metric_type": "COSINE", "index_type": "IVF_FLAT"})
collection.load()

results = collection.search(
    data=[query_embedding],
    anns_field="embedding",
    param={"metric_type": "COSINE", "nprobe": 10},
    limit=10
)

Weaviate

Weaviate 将向量搜索与知识图谱和 GraphQL API 相结合。它开箱即支持多模态搜索（文本、图像、音频）。

理念：模式丰富、多模态、具备知识图谱能力。

import weaviate

client = weaviate.Client("http://localhost:8080")

# 定义包含类的 schema
client.schema.create_class({
    "class": "Document",
    "vectorizer": "text2vec-transformers",
    "properties": [
        {"name": "content", "dataType": ["text"]},
        {"name": "category", "dataType": ["string"]}
    ]
})

# 使用自动向量化插入
client.data_object.create(
    {"content": "机器学习教程", "category": "技术"},
    "Document"
)

# 语义搜索
result = client.query.get("Document", ["content", "category"])\
    .with_near_text({"concepts": ["人工智能"]})\
    .with_limit(5)\
    .do()

---

性能基准

ANN 基准测试（ann-benchmarks.com，2024）

100 万向量，768 维，余弦相似度

数据库	QPS（1 线程）	Recall@10	构建时间	索引大小
ChromaDB（HNSW）	~2,000	98.5%	45s	2.1GB
Qdrant（HNSW）	~8,500	99.1%	32s	1.8GB
Milvus（HNSW）	~12,000	98.9%	28s	1.9GB
Weaviate（HNSW）	~6,000	98.7%	38s	2.0GB

1000 万向量（可扩展性测试）

数据库	QPS	RAM 用量	备注
ChromaDB	~800	22GB	在大规模下表现吃力
Qdrant	~5,200	18GB	量化后表现良好
Milvus	~9,800	15GB（已索引）	大规模下最佳
Weaviate	~3,500	21GB	中等

基准测试只是参考，不是金科玉律。 性能会因索引类型、硬件、向量维度和查询模式而有很大差异。务必使用自己的数据进行基准测试。

过滤性能（过滤后的 ANN 搜索）

过滤搜索（向量相似度 + 元数据过滤）对生产环境中的 RAG 至关重要：

数据库	过滤后 QPS	前置过滤	后置过滤
ChromaDB	~500	❌	✅
Qdrant	~6,000	✅（HNSW + payload 索引）	✅
Milvus	~8,000	✅	✅
Weaviate	~3,000	✅（倒排索引）	✅

过滤搜索的赢家：Qdrant 和 Milvus，它们支持真正的前置过滤，而不会因后置过滤而降低性能。

---

功能对比

存储与索引

功能	ChromaDB	Qdrant	Milvus	Weaviate
HNSW 索引	✅	✅	✅	✅
IVF 索引	❌	❌	✅	❌
DiskANN	❌	✅	✅	❌
标量量化	❌	✅	✅	✅
产品量化	❌	✅	✅	❌
二进制量化	❌	✅	✅	✅
磁盘存储	✅	✅	✅	✅
Mmap	❌	✅	✅	✅

查询能力

功能	ChromaDB	Qdrant	Milvus	Weaviate
向量相似度	✅	✅	✅	✅
混合搜索（BM25+向量）	❌	✅	✅	✅
元数据过滤	✅（基础）	✅（丰富）	✅（丰富）	✅（GraphQL）
关键词搜索	❌	✅	✅	✅
多向量搜索	❌	✅	✅	✅
稀疏向量（SPLADE）	❌	✅	✅	✅
命名向量	❌	✅	✅	✅

运维特性

功能	ChromaDB	Qdrant	Milvus	Weaviate
REST API	✅	✅	✅	✅
gRPC API	❌	✅	✅	❌
GraphQL API	❌	❌	❌	✅
身份验证	基础	✅	✅	✅
RBAC	❌	✅	✅	✅
水平扩展	❌	✅	✅	✅
Kubernetes 支持	❌	✅	✅	✅
快照/备份	❌	✅	✅	✅
监控（Prometheus）	❌	✅	✅	✅

---

ChromaDB：深度解析

优势

✅ 最简单的设置 — pip install chromadb 然后就完成了 ✅ 嵌入式模式 — 无需单独的服务器进程 ✅ 自动嵌入 — 内置嵌入模型 ✅ LangChain/LlamaIndex 原生集成 ✅ 零配置 — 非常适合原型开发

缺点

❌ 规模有限 — 超过 100-200 万向量就会吃力 ❌ 无分布式模式 — 仅限单节点 ❌ 过滤有限 — 不支持前置过滤 ❌ 无量化 — 更高的内存占用 ❌ 大规模下较慢 — 基于 Python 的操作

在 Clore.ai 上部署

# 客户端/服务器模式
docker run -d \\
  --name chromadb \
  -p 8000:8000 \
  -v $(pwd)/chroma-data:/chroma/chroma \
  chromadb/chroma:latest

# 测试
curl http://localhost:8000/api/v1/heartbeat

最适合：Jupyter 笔记本、快速 RAG 原型、<100 万向量

---

Qdrant：深度解析

优势

✅ 最佳过滤 — 真正的前置过滤向量搜索 ✅ Rust 性能 — 极快，低延迟 ✅ 量化 — 二进制/标量量化将内存减少 4-32 倍 ✅ 稀疏向量 — 稠密+稀疏混合搜索 ✅ 简单运维 — 单一二进制文件，无依赖 ✅ 文档完善 — 出色的指南和示例

缺点

❌ 单写入者 在免费层中（无分布式写入） ❌ 生态更小 比 Milvus 小 ❌ 无 GraphQL — 仅支持 REST/gRPC

在 Clore.ai 上部署

# 简单部署
docker run -d \\
  --name qdrant \
  -p 6333:6333 \
  -p 6334:6334 \
  -v $(pwd)/qdrant-storage:/qdrant/storage \
  qdrant/qdrant:latest

# 启用认证
docker run -d \\
  --name qdrant \
  -p 6333:6333 \
  -e QDRANT__SERVICE__API_KEY=your-secret-key \
  -v $(pwd)/qdrant-storage:/qdrant/storage \
  qdrant/qdrant:latest

# 测试
curl http://localhost:6333/health

最适合：生产级 RAG、过滤搜索、100 万-1 亿向量

---

Milvus：深度解析

优势

✅ 超大规模 — 已测试支持 100 亿以上向量 ✅ 分布式 — 云原生 Kubernetes 架构 ✅ 大多数索引类型 — IVF、HNSW、DiskANN、ScaNN ✅ GPU 加速 — GPU 驱动的索引构建 ✅ 企业特性 — RBAC、审计日志、加密 ✅ Zilliz Cloud — 完全托管选项

缺点

❌ 部署复杂 — 需要 etcd、MinIO 和 Pulsar/Kafka ❌ 资源占用高 — 建议至少 3 个节点 ❌ 学习曲线更陡 — 需要理解更多概念 ❌ 对小规模来说过于重型 — 不要用于 <100 万向量

在 Clore.ai 上部署（独立模式）

# Milvus 独立模式的 docker-compose.yml
version: "3.8"
services:
  etcd：
    image: quay.io/coreos/etcd:v3.5.5
    environment:
      - ETCD_AUTO_COMPACTION_MODE=revision
      - ETCD_AUTO_COMPACTION_RETENTION=1000
      - ETCD_QUOTA_BACKEND_BYTES=4294967296
    command: etcd -advertise-client-urls=http://etcd:2379 -listen-client-urls=http://0.0.0.0:2379

  minio:
    image: minio/minio:RELEASE.2023-03-13T19-46-17Z
    environment:
      MINIO_ACCESS_KEY: minioadmin
      MINIO_SECRET_KEY: minioadmin
    command: minio server /minio_data --console-address ":9001"

  milvus:
    image: milvusdb/milvus:v2.4.0
    command: ["milvus", "run", "standalone"]
    environment:
      ETCD_ENDPOINTS: etcd:2379
      MINIO_ADDRESS: minio:9000
    ports:
      - "19530:19530"
      - "9091:9091"
    depends_on:
      - etcd
      - minio

docker compose up -d
# 完全启动大约需要 60 秒

最适合：大规模生产环境、1 亿以上向量、企业级部署

---

Weaviate：深度解析

优势

✅ 多模态 — 文本、图像、音频、视频 ✅ 自动向量化 — 内置模型集成 ✅ GraphQL API — 具有图遍历的丰富查询 ✅ 模块系统 — 可插拔的向量化器和读取器 ✅ 混合搜索 — 开箱即用的 BM25 + 向量 ✅ 生成式搜索 — 通过 generate 模块内置 RAG

缺点

❌ 更高内存占用 — 感知 schema 的存储更大 ❌ 无 gRPC — 仅支持 GraphQL（高 QPS 下更慢） ❌ 复杂 schema — 需要预先定义类 ❌ 在超大规模下更慢 比 Milvus 更慢

在 Clore.ai 上部署

# 简单部署
docker run -d \\
  --name weaviate \
  -p 8080:8080 \\
  -p 50051:50051 \
  -e AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED=true \
  -e PERSISTENCE_DATA_PATH=/var/lib/weaviate \
  -e DEFAULT_VECTORIZER_MODULE=none \
  -e CLUSTER_HOSTNAME=node1 \
  -v $(pwd)/weaviate-data:/var/lib/weaviate \
  cr.weaviate.io/semitechnologies/weaviate:1.25.0

# 使用 transformer 向量化器
docker run -d \\
  --name weaviate \
  -p 8080:8080 \\
  -e DEFAULT_VECTORIZER_MODULE=text2vec-transformers \
  -e TRANSFORMERS_INFERENCE_API=http://t2v-transformers:8080 \
  cr.weaviate.io/semitechnologies/weaviate:1.25.0

最适合：多模态搜索、知识图谱、生成式搜索

---

何时使用哪个

基于规模的决策

< 10 万向量    → ChromaDB（嵌入式）
10 万 - 1000 万        → Qdrant（最佳平衡）
1000 万 - 10 亿          → Milvus 或 Qdrant（集群）
10 亿以上               → Milvus（分布式）

基于用例的决策

使用场景	最佳选择	原因
RAG 原型	ChromaDB	零设置，简单 API
生产级 RAG	Qdrant	快速过滤，简单运维
语义搜索	Qdrant 或 Milvus	最佳性能
多模态	Weaviate	内置图像/音频支持
知识图谱	Weaviate	图遍历查询
十亿级规模	Milvus	分布式架构
混合搜索	Qdrant 或 Weaviate	BM25 + 向量
企业级	Milvus 或 Weaviate	RBAC、审计日志

---

Clore.ai 上的内存需求

RAM 估算公式

所需 RAM ≈（向量 × 维度 × 4 字节）× 1.5（开销）

示例：100 万向量 × 1536 维 × 4 字节 × 1.5 = 9.2GB RAM

使用量化（Qdrant 二进制）时：
100 万 × 1536 / 8 × 1.5 = 0.29GB RAM（32 倍压缩！）

推荐服务器规格

数据集大小	ChromaDB	Qdrant	Milvus	Weaviate
100万向量	16GB RAM	8GB RAM	32GB RAM	16GB RAM
1000万向量	❌	32GB RAM	64GB RAM	48GB RAM
1亿向量	❌	128GB+	256GB+	256GB+

---

快速对比：Docker 启动时间

数据库	docker run 到可用	依赖项
ChromaDB	~5 秒	无
Qdrant	~3 秒	无
Milvus	~60 秒	etcd + MinIO
Weaviate	约15秒	无（独立）

---

价格（在 Clore.ai 上自托管）

这四个数据库都 免费 可免费自托管。成本仅为 Clore.ai 服务器租赁费用：

示例：100万向量 RAG 系统
- Qdrant：8GB 内存服务器约 $0.10/小时
- ChromaDB：16GB 内存服务器约 $0.15/小时  
- Weaviate：16GB 内存服务器约 $0.15/小时
- Milvus：32GB 内存服务器约 $0.30/小时（+ etcd/minio 的额外开销）

---

有用链接

• ChromaDB 文档

• Qdrant 文档

• Milvus 文档

• Weaviate 文档

• ANN 基准测试

• Qdrant 的向量数据库基准测试

---

总结

从以下开始……	如果你需要……
ChromaDB	快速原型，少于100万向量，最少配置
Qdrant	生产级 RAG，出色的过滤能力，运维简单
Milvus	十亿级规模，企业级，分布式架构
Weaviate	多模态、知识图谱、GraphQL 查询

对于 Clore.ai 上的大多数生产级 RAG 应用， Qdrant 在性能、功能和运维简洁性之间提供了最佳平衡。对于大规模或企业级需求， Milvus 是行业标准。

---

Clore.ai GPU 推荐

使用场景	推荐 GPU	Clore.ai 预计成本
开发/测试	RTX 3090（24GB）	$0.07–0.21/gpu/hr
生产环境	RTX 4090（24GB）	$0.14–0.42/gpu/hr
大规模	A100 80GB	裸机

💡 本指南中的所有示例都可以部署在 Clore.ai GPU 服务器上。浏览可用 GPU 并按小时租用——无需承诺，拥有完整 root 访问权限。