向量数据库比较

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——这是 RAG 系统、语义搜索和推荐引擎的核心基础设施。本指南比较了四个最受欢迎的开源选项。

---

快速决策矩阵

	ChromaDB	Qdrant	Milvus	Weaviate
适用场景	原型设计、本地开发	生产环境 RAG	十亿级搜索	知识图谱
部署	嵌入式/服务器端	服务器/云端	服务器/云端	服务器/云端
可扩展性	单节点	多节点	分布式	分布式
GitHub 星标	17K+	21K+	31K+	12K+
许可	Apache 2.0	Apache 2.0	Apache 2.0	BSD 三条款许可
托管云	否	是（Qdrant Cloud）	是（Zilliz）	是（Weaviate Cloud）
语言	Python	Rust	Go	Go

---

概览

ChromaDB

ChromaDB 是最简单的向量数据库——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或持久化到磁盘。

理念: 零配置，最大的开发者体验。

import chromadb

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

collection.add(
    documents=["Machine learning is great", "Deep learning uses neural networks"],
    ids=["doc1", "doc2"]
)

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

Qdrant

Qdrant 是一个面向生产的向量搜索引擎，使用 Rust 编写。它专注于性能、过滤和运维简易性。

理念: 生产级性能而无复杂的运维。

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": "document 1"}),
    ]
)

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

Milvus

Milvus 是最具可扩展性的开源向量数据库，专为十亿级部署设计。它具有分布式架构并支持 Kubernetes。

理念: 大规模、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)

# Insert data
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 结合。它原生支持多模态搜索（文本、图像、音频）。

理念: 架构丰富、多模态、具备知识图谱能力。

import weaviate

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

# Define schema with classes
client.schema.create_class({
    "class": "Document",
    "vectorizer": "text2vec-transformers",
    "properties": [
        {"name": "content", "dataType": ["text"]},
        {"name": "category", "dataType": ["string"]}
    ]
})

# Insert with auto-vectorization
client.data_object.create(
    {"content": "Machine learning tutorial", "category": "tech"},
    "Document"
)

# Semantic search
result = client.query.get("Document", ["content", "category"])\
    .with_near_text({"concepts": ["artificial intelligence"]})\
    .with_limit(5)\
    .do()

---

性能基准

ANN 基准（ann-benchmarks.com，2024）

1M 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%	45 秒	2.1GB
Qdrant（HNSW）	~8,500	99.1%	32 秒	1.8GB
Milvus（HNSW）	~12,000	98.9%	28 秒	1.9GB
Weaviate（HNSW）	~6,000	98.7%	38 秒	2.0GB

1000 万向量（可扩展性测试）

数据库	QPS（每秒查询数）	内存使用	说明
ChromaDB	~800	22GB	在大规模时表现不佳
Qdrant	~5,200	18GB	量化表现良好
Milvus	~9,800	15GB（已索引）	在大规模时最佳
Weaviate	~3,500	21GB	中等

基准是指导，不是绝对结论。 性能受索引类型、硬件、向量维度和查询模式影响很大。务必使用您自己的数据进行基准测试。

过滤性能（带过滤的 ANN 搜索）

带过滤的搜索（向量相似度 + 元数据过滤）对于生产 RAG 至关重要：

数据库	过滤后 QPS	预过滤	后过滤
ChromaDB	~500	❌	✅
Qdrant	~6,000	✅（HNSW + 负载索引）	✅
Milvus	~8,000	✅	✅
Weaviate	~3,000	✅（倒排索引）	✅

过滤搜索的获胜者: Qdrant 和 Milvus，支持真正的预过滤而不会导致后过滤的性能下降。

---

功能比较

存储与索引

功能	ChromaDB	Qdrant	Milvus	Weaviate
HNSW 索引	✅	✅	✅	✅
IVF 索引	❌	❌	✅	❌
DiskANN	❌	✅	✅	❌
标量量化	❌	✅	✅	✅
乘积量化	❌	✅	✅	❌
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	❌	❌	❌	✅
认证	基础	✅	✅	✅
基于角色的访问控制（RBAC）	❌	✅	✅	✅
横向扩展	❌	✅	✅	✅
Kubernetes 支持	❌	✅	✅	✅
快照/备份	❌	✅	✅	✅
监控（Prometheus）	❌	✅	✅	✅

---

ChromaDB：深入解析

优势

✅ 最简设置 — 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 ✅ 与 LangChain/LlamaIndex 本地集成 ✅ 零配置 — 非常适合原型开发

弱点

❌ 可扩展性有限 — 超过 1-2M 向量时表现不佳 ❌ 无分布式模式 — 仅单节点 ❌ 过滤能力有限 — 无预过滤 ❌ 无量化 — 更高的内存使用 ❌ 大规模时较慢 — 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

适用场景: Jupyter 笔记本、快速 RAG 原型，<1M 向量

---

Qdrant：深入解析

优势

✅ 最佳过滤 — 真正的预过滤向量搜索 ✅ Rust 性能 — 极快、低延迟 ✅ 量化 — 二进制/标量可将内存降低 4-32× ✅ 稀疏向量 — 混合的密集+稀疏搜索 ✅ 简单运维 — 单个二进制文件，无依赖 ✅ 文档完善 — 优秀的指南和示例

弱点

❌ 免费层为单写入者 在免费层中（无分布式写入） ❌ 生态较小 比 Milvus 差 ❌ 无 GraphQL — 仅 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 时
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

适用场景: 生产级 RAG、带过滤的搜索、1-100M 向量

---

Milvus：深入解析

优势

✅ 大规模 — 已测试到 100 亿+ 向量 ✅ 分布式 — 云原生的 Kubernetes 架构 ✅ 最多的索引类型 — IVF、HNSW、DiskANN、ScaNN ✅ GPU 加速 — GPU 加速的索引构建 ✅ 企业功能 — RBAC、审计日志、加密 ✅ Zilliz Cloud — 完全托管选项

弱点

❌ 复杂部署 — 需要 etcd、MinIO 和 Pulsar/Kafka ❌ 资源消耗大 — 建议至少 3 个节点 ❌ 学习曲线比竞争对手更陡峭 — 需要更多概念来理解 对小规模来说是过度设计 — 不要用于 <1M 向量的场景

在 Clore.ai 上的部署（独立部署）

# Milvus 独立部署的 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

适用场景: 大规模生产，100M+ 向量，企业级部署

---

Weaviate：深入解析

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 — 通过图遍历提供丰富的查询能力 ✅ 模块化系统 — 可插件化的向量化器和读取器 ✅ 混合检索 — 原生支持 BM25 + 向量 生成式搜索 — 内置的带生成模块的 RAG

弱点

❌ 内存占用更高 — 模式感知存储占用更大 ❌ 无 gRPC — 仅 GraphQL（在高 QPS 下较慢） ❌ 复杂的 schema — 需要提前定义类 ❌ 在极端规模下较慢 比 Milvus 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 时
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

适用场景: 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

< 100K 向量    → ChromaDB（嵌入式）
100K - 10M        → Qdrant（最好平衡）
10M - 1B          → Milvus 或 Qdrant（集群）
1B+               → Milvus（分布式）

基于用例的决策

在 Clore.ai 上的预估费用	最佳选择	为什么
RAG 原型	ChromaDB	零配置、简单 API
生产环境 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
混合检索	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

内存估算公式

所需内存 ≈（向量数量 × 维度 × 4 字节）× 1.5（开销）

示例：1M 向量 × 1536 维 × 4 字节 × 1.5 = 9.2GB 内存

使用量化（Qdrant 二进制）：
1M × 1536 / 8 × 1.5 = 0.29GB 内存（32× 压缩！）

推荐的服务器规格

数据集大小	ChromaDB	Qdrant	Milvus	Weaviate
1M 向量	16GB 内存	8GB 内存	32GB 内存	16GB 内存
10M 向量	❌	32GB 内存	64GB 内存	48GB 内存
100M 向量	❌	128GB+	256GB+	256GB+

---

快速比较：Docker 启动时间

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

---

定价（在 Clore.ai 上自托管）

所有四个数据库都是 免费 来自行托管。成本仅为 Clore.ai 服务器租赁：

示例：1M 向量的 RAG 系统
- Qdrant：8GB 内存服务器 ~ $0.10/小时
- ChromaDB：16GB 内存服务器 ~ $0.15/小时  
- Weaviate：16GB 内存服务器 ~ $0.15/小时
- Milvus：32GB 内存服务器 ~ $0.30/小时（+ etcd/minio 的额外开销）

---

有用的链接

• ChromaDB 文档

• Qdrant 文档

• Milvus 文档

• Weaviate 文档

• ANN 基准

• 由 Qdrant 提供的向量数据库基准

---

总结

从……开始...	如果您需要...
ChromaDB	快速原型，<1M 向量，最小设置
Qdrant	生产级 RAG、出色的过滤、简易运维
Milvus	十亿级、企业级、分布式架构
Weaviate	多模态、知识图谱、GraphQL 查询

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

---

Clore.ai 的 GPU 建议

在 Clore.ai 上的预估费用	开发/测试	RTX 3090（24GB）
~$0.12/每 GPU/每小时	生产	RTX 4090（24GB）
~$0.70/每 GPU/每小时	大规模	A100 80GB
~$1.20/每 GPU/每小时	💡 本指南中的所有示例均可部署在	Clore.ai

GPU 服务器上。浏览可用 GPU 并按小时租用 — 无需承诺，提供完整的 root 访问权限。 Clore.ai GPU 服务器。浏览可用 GPU 并按小时租用 — 无需承诺，提供完整的 root 访问权限。