结论先行:大多数团队的正确起点是 pgvector——如果业务数据已经在 PostgreSQL 里,向量检索只是又一个查询类型,不值得为此引入一套新运维。数据量到千万级、过滤条件复杂、独立部署可接受时,Qdrant 是均衡的选择;上到十亿级向量、需要分布式水平扩展时,再上 Milvus。选型的真实分水岭不是"谁的 ANN 算法新",是规模、过滤需求和运维成本三件事。

三个真实维度

规模:决定架构形态。万级到百万级,单机索引绰绰有余,产品间性能差异可以忽略;千万级开始需要内存规划和分片考虑;十亿级才真正需要分布式架构。评估规模时还要看写入模式:一次性灌入的存量数据(历史文档建库)对索引的压力是单次的,持续追加的业务数据(工单、日志的语义检索)则要求引擎在写入时保持查询性能稳定,后者对架构的要求更高一个档位。

过滤检索:真实业务里几乎没有纯向量查询。“查这个租户下、最近 30 天、语义相关的文档”——元数据过滤和向量检索必须高效组合。预过滤(先过滤再搜)还是后过滤(先搜再筛),在不同引擎里代价差异巨大,这是选型时最容易被忽略、上线后最先爆的问题。

运维成本:多一套有状态服务 = 多一套备份、监控、版本升级、扩容预案。对没有专职平台团队的团队,这一条权重应该排在性能前面。

三者画像

维度pgvectorQdrantMilvus
形态PG 扩展独立引擎(单机/集群)分布式引擎(存算分离)
规模舒适区百万~千万级千万~亿级亿级~十亿级
元数据过滤SQL WHERE,能力完整payload 过滤,混合查询强标量过滤,配合分区
混合检索全文+向量在同一 SQL稀疏/稠密向量支持多向量字段支持
运维成本零增量(已有 PG)中高(依赖 etcd/对象存储)
生态整合与业务表同事务官方客户端丰富K8s 部署体系成熟
迁移成本—数据导出导入,可控通常经由 Qdrant 档位演进

表格要纵向读:三列不是三个平行选项,更像一条演进路径上的三个停靠点。每一站的前进信号都是可观测的(索引内存、P99 延迟、过滤组合复杂度),不需要提前赌。

pgvector 起步:半小时的事

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE docs (
  id         bigserial PRIMARY KEY,
  tenant_id  bigint NOT NULL,
  content    text,
  embedding  vector(1536)
);

CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops);

-- 多租户过滤 + 向量检索,一条 SQL
SELECT id, content, embedding <=> $1 AS distance
FROM docs
WHERE tenant_id = $2
ORDER BY distance
LIMIT 5;

在同一库里的好处不只是省运维:向量数据和元数据一个事务内更新(不会出现"向量库和业务库不一致"这种分布式经典灾难),SQL 的过滤能力天然可用。落地时有两个工程细节:一是向量的维度要和嵌入模型严格对齐(换嵌入模型必须全量重建向量,维数变了列定义也要跟着改,这件事要在架构上预留重建脚本);二是若过滤条件高度固定(比如永远按租户查),可以考虑分区表把物理隔离做在存储层,让每条查询天然只在分区内检索,比纯靠索引过滤更省。索引选 HNSW 起步,召回和速度都优于 IVFFlat,代价是构建慢和内存占用高。索引参数上对比一对常见选择:

-- 错误写法:IVFFlat 在数据持续写入时列表未填满,召回率明显受损
CREATE INDEX ON docs USING ivfflat (embedding vector_cosine_ops) WITH (lists = 100);

-- 正确写法:HNSW 起步,召回与查询延迟更稳,构建时间换质量
CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops) WITH (m = 16, ef_construction = 64);

IVFFlat 并非不能用——数据静态、体量极大、内存紧张时它有优势——但"业务库持续写入 + 要求召回稳定"的典型业务场景下,HNSW 是更不容易翻车的起点。

过滤检索:预过滤与后过滤的分水岭

预过滤和后过滤的差异值得单独说透。后过滤是"先按向量召回 top-K,再按条件筛"——当过滤条件命中率低时(比如某租户只占数据量 1%),top-K 里几乎找不到该租户的数据,用户看到的结果集残缺甚至为空。预过滤是"先按条件缩小候选集,再在候选集里做向量检索"——候选集太小时同样伤害召回,但 SQL 的统计信息让 PG 能在多数场景下选对路径。pgvector 下用一个带条件的 HNSW 检索,就是把 WHERE 写在 SQL 里让优化器自己决定;独立引擎里则要显式理解各家"filtered search"的实现策略并压测验证。选型时问每个候选引擎同一个问题:过滤条件命中 1% 的数据时,top-10 的召回率是多少?答不上的引擎,过滤需求重的业务不要选。

什么时候离开 pgvector,以及选型流程

两个离开信号:一是规模——数据过千万且写入频繁,PG 单机的索引维护开始影响主业务;二是过滤复杂度——payload 过滤组合爆炸,SQL 预过滤导致候选集太小伤害召回。此时迁 Qdrant:单二进制好部署,payload 过滤设计好,快照备份简单,客户端 API 顺滑,是"独立向量库"档位里综合负担最小的。

Milvus 的入场券是"十亿级"或"多团队共享的向量平台"。它的分布式架构为此而设计,但 etcd、对象存储、多组件的运维体系需要真正的平台团队来养。业务规模没到就上 Milvus,是用三倍的运维成本买用不到的扩展性。

一个可执行的选型流程:先用 pgvector 把 MVP 跑起来(反正迁移成本远低于一开始就选错的成本);监控两条指标——索引内存占用和 P99 检索延迟;触发信号出现时再评估 Qdrant;只有明确的十亿级需求才进入 Milvus 的候选讨论。数据库选型里"晚点决定"的期权价值,在向量库这里格外高,因为数据迁移是可控的,而早期运维投入是沉没的。

实战场景

一个企业知识库项目的选型复盘:项目启动时检索需求是"全公司文档的语义搜索",数据量估算在百万级切片以下,业务数据本就在 PostgreSQL 里。团队最终选择 pgvector,理由不是性能对比赢了多少,而是三件立刻兑现的事:文档权限(部门可见性)直接用现有权限表的 JOIN 实现,没有做二次同步;文档更新和向量更新在同一个事务里,上线至今没有出现过"搜到已删除文档"类的不一致;没有新增任何运维对象,DBA 的既有备份监控全部复用。上线后一次扩展需求是按"最近 30 天 + 指定部门"过滤检索,一条 SQL 加 WHERE 完成,没有做任何引擎侧改造(以上为过程描述,检索质量以业务方验收为准,不引述具体召回率数字)。期间团队评估过是否"一步到位"上 Milvus,结论写在他们的决策记录里:为了用不到的十亿级扩展性,多养一套 etcd 和对象存储,收益为负。这个案例的普适性在于——选型问题常常先是"数据在哪儿、权限在哪儿"的问题,其次才是 ANN 算法问题。

检查清单

  • 选型先盘三件事:数据规模、过滤需求复杂度、团队运维能力
  • 业务数据已在 PG 且规模在千万级以下,默认从 pgvector 起步
  • 向量索引选 HNSW 起步,持续写入场景不选 IVFFlat
  • 每个候选引擎都压测"过滤条件命中 1% 时 top-10 的召回率"
  • 向量数据与业务数据同事务更新,避免双写不一致
  • 监控索引内存占用与 P99 检索延迟,作为迁移触发信号
  • 迁移按 pgvector → Qdrant → Milvus 的路径演进,不跳级上分布式
  • 没有专职平台团队时,运维成本权重排在性能前面