面经策

你都了解哪些向量数据库？如何选型？ ​

  • 标签：AI、大模型

🏛 业务架构师 ​

主流向量数据库我分三类看：

  • 专用向量库：Milvus（国产开源，大规模生产首选，存算分离可扩到十亿级，有云服务 Zilliz）、Pinecone（SaaS 免运维，海外团队省心但数据出境）、Qdrant、Weaviate（开源自部署灵活）、Chroma（轻量，本地开发/原型）。
  • 传统数据库的向量扩展：PostgreSQL + pgvector（数据量百万级以内最省事的方案，事务、权限、生态全继承）、Elasticsearch（已有 ES 的团队加向量字段即可混合检索）、Redis（低延迟缓存场景）。
  • 一体化 RAG 平台：各云厂商的托管检索服务（阿里云 DashVector 等）。

我的选型框架按业务阶段走：POC 期用 Chroma 或 pgvector，零运维成本，一周出 Demo；百万级数据、单业务线生产，pgvector 依然够用，别上重型组件；亿级向量、多业务共享、要求高 QPS 低延迟，再上 Milvus 集群。先问数据量和并发，再问产品——大多数企业知识库（几十万文档）根本到不了专用向量库的门槛，过早引入分布式组件是纯负担。

另一个硬约束是合规：数据出境敏感的，Pinecone 类 SaaS 直接排除。

🏗 系统架构师 ​

向量数据库选型我按部署形态和能力矩阵两张表来决策：

按部署形态：

  • 嵌入式/单机：Chroma、LanceDB、sqlite-vec——百万级向量以内、PoC 和边缘场景，零运维；
  • 开源分布式：Milvus（组件全、能扛十亿级、但运维重）、Qdrant（Rust 写的性能好、部署简单）、Weaviate（模块化、内置混合检索）、PGVector/PGDG（数据量和 Postgres 共享事务，亿级内最优 TCO）；
  • SaaS：Pinecone（免运维、贵、数据出境合规要审）、各大云厂商托管（阿里云 DashVector、AWS OpenSearch kNN 等）。

能力矩阵关键项：混合检索（向量+BM25）、标量过滤性能（pre-filter 是否走索引）、量化压缩（PQ/SQ/binary，省 4~10 倍内存）、最大维度、增量更新与删除效率、多副本与容灾、权限模型。

我的决策树：已有 Postgres 且 <5000 万向量 → PGVector 起步（不引入新存储，事务和权限白拿）；亿级以上或多租户 SaaS → Milvus/Qdrant 集群；团队小没运维 → 云托管。先估算规模再选型：向量内存 ≈ 条数 × 维度 × 4B（float32），量化可再压，这是容量规划的第一公式。

💻 全栈开发专家 ​

我按三个维度选：规模、运维成本、团队技术栈。

  • Milvus：国产、能打大规模（十亿级向量）、支持 GPU 索引和混合检索，但组件多（etcd/MinIO），自建运维不轻，适合专职团队；
  • Qdrant：Rust 写的，性能好、payload 过滤能力强，单二进制部署爽，中小规模自建首选；
  • Weaviate：模块化（内置向量化、混合检索），多租户好，云版本省事；
  • Chroma：嵌入式、单机，原型和本地开发用，别上生产大流量；
  • PGVector（含 pgvecto.rs/CHREW）：已有 PostgreSQL 团队的默认答案——事务、Join、元数据过滤和向量一站搞定，千万级以内完全够用，运维零新增；
  • Elasticsearch 8+：已有 ES 栈、要 BM25+dense 混合检索的选它；
  • Redis（RediSearch）：超低延迟在线场景（推荐系统召回）；
  • Pinecone：海外托管 SaaS，免运维但数据出境和成本要评估。

我的实际决策路径：先问「已有基础设施是什么」——有 PG 直接 PGVector；全新且中等规模选 Qdrant；亿级向量+专职运维再上 Milvus。别为了技术先进性引入团队养不动的组件。