向量数据库 2025 大测评——Milvus、Qdrant、pgvector、Weaviate

适读人群：要选型向量数据库的工程师 | 阅读时长：约 14 分钟 | 核心价值：真实测评数据 + 明确选型建议，不是官方 benchmark

去年底我在做一个企业知识库项目，数据量大概是 500 万条文档向量，维度 1536（OpenAI embedding）。在这之前，我在几个不同规模的项目里用过 pgvector 和 Milvus。这次想系统地比一比，于是就有了这篇文章。

说明一下测试环境：AWS EC2 c5.2xlarge（8 vCPU，16G RAM），这是我觉得大多数中型项目合理的配置。数据集是 500 万条维度 1536 的向量，来自真实的企业文档 embedding。以下所有数据都是我自己跑的，不是厂商提供的 benchmark。

---

四款数据库的基本情况

先说背景，避免用了两年 Milvus 的人和刚装了 pgvector 的人对这几个选手有不同的预期。

Milvus：专为向量搜索设计的分布式数据库，架构复杂（依赖 etcd + MinIO），但功能最全。2.x 版本之后有了 Milvus Lite，小规模场景可以单机部署。

Qdrant：Rust 写的，性能很好，近两年发展很快。API 设计比 Milvus 更直观，单机部署简单。

pgvector：PostgreSQL 扩展，如果你本来就用 PostgreSQL，几乎零额外成本。功能相对基础，但对大多数场景够用。

Weaviate：Go 写的，有内置的模块化设计，可以直接对接多种 embedding 模型。但资源消耗偏高。

---

性能测试

写入性能（500 万条，批量写入）

我用批量写入，每批 1000 条，测试总时间：

Milvus:    约 28 分钟（含索引构建）
Qdrant:    约 22 分钟（含索引构建）
pgvector:  约 45 分钟（pg_ivfflat 索引，需要先写完再建索引）
Weaviate:  约 35 分钟（含向量索引）

pgvector 的写入慢主要是因为 IVFFlat 索引需要在数据写完后单独构建，构建时间随数据量线性增长。HNSW 索引支持实时更新，但 PostgreSQL 的并发写入能力本身就不如专用向量数据库。

写入代码示例（以 Qdrant 为例，接口最友好）：

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct
import numpy as np
from typing import List

client = QdrantClient(host="localhost", port=6333)

# 建集合
client.create_collection(
    collection_name="documents",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE)
)

def batch_upsert(vectors: List[np.ndarray], payloads: List[dict], batch_size: int = 1000):
    """批量写入，带进度跟踪"""
    total = len(vectors)
    for i in range(0, total, batch_size):
        batch_vectors = vectors[i:i+batch_size]
        batch_payloads = payloads[i:i+batch_size]
        
        points = [
            PointStruct(
                id=i + j,
                vector=vec.tolist(),
                payload=payload
            )
            for j, (vec, payload) in enumerate(zip(batch_vectors, batch_payloads))
        ]
        
        client.upsert(collection_name="documents", points=points)
        
        if (i // batch_size) % 10 == 0:
            print(f"Progress: {min(i+batch_size, total)}/{total}")

查询性能（单条查询，top-10 召回）

测试 1000 次查询，取 P50/P95/P99 延迟：

             P50      P95      P99
Milvus:      12ms     28ms     45ms
Qdrant:       9ms     21ms     38ms
pgvector:    85ms    180ms    320ms
Weaviate:    18ms     42ms     78ms

pgvector 的差距很明显。这不是 pgvector 的 Bug，是 PostgreSQL 的 MVCC 架构和向量索引实现的天然代价。在数据量小（<100 万条）时差距会缩小很多，但到 500 万条这个量级，差距已经不可忽视。

Qdrant 的查询性能在四款里最好，Rust 实现的内存效率确实有体现。

# Qdrant 查询示例
import time
from qdrant_client.models import Filter, FieldCondition, MatchValue

def search_with_filter(query_vector: List[float], category: str, top_k: int = 10):
    """带过滤条件的向量搜索"""
    start = time.time()
    
    results = client.search(
        collection_name="documents",
        query_vector=query_vector,
        query_filter=Filter(
            must=[
                FieldCondition(
                    key="category",
                    match=MatchValue(value=category)
                )
            ]
        ),
        limit=top_k,
        with_payload=True
    )
    
    latency_ms = (time.time() - start) * 1000
    return results, latency_ms

# pgvector 等效查询（对比用）
# SELECT id, content, 1 - (embedding <=> $1) AS similarity
# FROM documents
# WHERE category = $2
# ORDER BY embedding <=> $1
# LIMIT 10;

召回率（在 ground truth 数据集上测试 recall@10）

这个指标取决于索引配置，我用各家推荐的默认配置：

Milvus (IVF_FLAT, nlist=1024):  recall@10 = 0.973
Qdrant (HNSW, m=16, ef=128):    recall@10 = 0.981
pgvector (HNSW, m=16, ef=64):   recall@10 = 0.968
Weaviate (HNSW 默认):           recall@10 = 0.975

召回率差距不大，调参后都能接近 0.99。这方面不是主要的选型依据。

---

易用性对比

这块是我认为最能体现真实工程体验的部分，纯数字体现不出来。

部署复杂度

pgvector：如果已经有 PostgreSQL，一行命令搞定：

CREATE EXTENSION vector;

零额外基础设施，DBA 不需要学新东西，运维成本最低。

Qdrant：Docker 单容器，文档清晰：

docker run -p 6333:6333 -p 6334:6334 \
    -v $(pwd)/qdrant_storage:/qdrant/storage:z \
    qdrant/qdrant

5 分钟能跑起来。

Milvus：生产部署需要 etcd + MinIO + 多个 Milvus 组件。官方提供 Helm chart，但出了问题排查起来很痛苦。Milvus Lite 可以单机用，但有功能限制。

Weaviate：Docker 可以单节点，但内存消耗比较高（我测的 500 万条大概吃了 12G RAM），小机器跑不起来。

API 设计

Qdrant 的 API 我认为设计得最好，语义清晰，错误信息明确。

Milvus 的 Python SDK 文档质量良莠不齐，有些接口行为和文档描述不符，踩过几次坑。

pgvector 就是 SQL，没有学习成本——如果你会 PostgreSQL。

Weaviate 的 GraphQL 接口让很多人不适应，v4 的 Python 客户端改成了更普通的 OOP 风格，好多了。

监控和运维

pgvector:  用 PostgreSQL 原有的监控体系，pg_stat_statements 等工具直接用
Qdrant:    有内置的 /metrics 接口（Prometheus 格式），监控接入很方便
Milvus:    有专用的 Attu 管理 UI，但监控系统比较重
Weaviate:  有 /v1/meta 和 Prometheus 接口，中规中矩

---

成本估算

以 500 万条 1536 维向量，AWS 上部署为例（月费用估算）：

pgvector (RDS PostgreSQL r6g.large):   ~$120/月
Qdrant (EC2 c5.2xlarge 自建):          ~$150/月（计算） + ~$30（存储）
Milvus (EKS 集群，最小配置):           ~$300/月（etcd+MinIO+节点）
Weaviate (EC2 r5.large 自建):          ~$180/月

Milvus 的生产集群成本明显高于其他选项，如果数据量不到千万级，这个成本不太划算。

---

明确的选型建议

我不喜欢"视具体情况而定"这种废话，给明确建议：

用 pgvector，如果：

• 你已经在用 PostgreSQL，不想引入新的基础设施
• 数据量 < 200 万条
• 对查询延迟不敏感（>100ms 可以接受）
• 团队没有专门的 AI 基础设施工程师

用 Qdrant，如果：

• 数据量在 100 万到 5000 万条之间
• 对查询性能有要求（<20ms P95）
• 团队有一定 DevOps 能力
• 这是我目前默认推荐的选择

用 Milvus，如果：

• 数据量超过 5000 万条，需要水平扩展
• 有 Kubernetes 运维能力
• 需要多租户隔离

Weaviate 我现在不推荐，除非你强依赖它的模块化生态（比如内置的 OpenAI/Cohere 集成）。性能和资源消耗的比例不如 Qdrant，文档质量比较混乱。

---

一句话总结：中小型项目，能用 pgvector 的用 pgvector，规模再大点 Qdrant 是目前工程综合体验最好的选择。Milvus 是大规模生产的选项，但请确保你有能力运维它。