向量数据库选型：Milvus、Qdrant、Weaviate 在 AI 场景的横评

2601_96493715 · 2026-08-09 16:21:09 发布

引言

随着大语言模型和检索增强生成技术的爆发，向量数据库已经从“小众基础设施”一跃成为 AI 应用栈中的核心组件。无论是构建 RAG 知识库、语义搜索、推荐系统，还是多模态检索，都离不开一个高效、可扩展的向量存储与检索引擎。

然而，市面上的向量数据库琳琅满目，技术选型成了开发者面临的第一道门槛。本文选取当前社区最活跃、最具代表性的三款开源向量数据库——Milvus、Qdrant 和 Weaviate——从 AI 场景的实际需求出发，进行一次多维度横向评测，帮助你在技术选型时做出更明智的决策。

在深入具体产品之前，我们先明确本次横评所关注的维度。一个好的向量数据库在 AI 场景中不仅仅是“最近邻搜索快”，还需要在以下方面表现出色：

Milvus 由 Zilliz 公司主导开发，是 CNCF 毕业项目，定位为云原生、高性能、可弹性扩展的向量数据库。它的设计哲学是“存算分离”，天然适合大规模生产环境。

Milvus 采用分层架构，核心组件包括：

这种存算分离的设计使得计算和存储可以独立扩缩容，特别适合数据量持续增长、查询负载波动较大的 AI 应用。

丰富的索引类型：支持 HNSW、IVF_FLAT、IVF_PQ、DiskANN 等十余种索引，其中 DiskANN 可以在内存有限的情况下处理十亿级向量，对成本敏感的大规模 RAG 场景非常友好。
标量过滤与向量搜索融合：支持表达式过滤（如 color == "red" AND price < 100），且在过滤后执行向量检索，保证过滤精度。
多向量字段：一个 Collection 中可定义多个向量字段，适合多模态场景（如同一商品的文本向量和图片向量）。

Qdrant 由同名公司用 Rust 语言开发，定位为高性能、易部署的向量搜索引擎。它主打“单机性能极致 + 分布式可扩展”，API 设计简洁优雅，深受独立开发者和小型团队的喜爱。

Qdrant 的单机部署极其轻量——一个二进制文件即可运行，无需额外依赖。分布式模式下采用 Raft 共识协议管理集群，每个节点独立存储分片数据。

极致的 HNSW 实现：得益于 Rust 语言的内存管理优势，Qdrant 的 HNSW 索引在单机场景下查询延迟极低，QPS 表现优异。
强大的 Payload 过滤：Qdrant 的标量过滤是在向量搜索之前执行的，通过 Payload 索引快速缩小候选集，再在缩小的范围内进行向量检索。这种策略在过滤条件选择性高时非常高效，但需要开发者注意过滤后候选集大小对召回率的影响。
量化支持：内置 Scalar Quantization 和 Product Quantization，可在几乎不损失召回率的前提下大幅降低内存占用。
简洁的 API 设计：REST 和 gRPC 双协议支持，SDK 覆盖 Python、Go、Rust、JavaScript 等主流语言，上手门槛极低。

Weaviate 由 SeMI Technologies 开发，定位为AI 原生的向量数据库。它不仅仅是一个向量存储，更是一个集成了向量化、语义搜索、混合搜索、问答等能力的 AI 基础设施。

Weaviate 最大的特色是其模块化架构——通过插件机制集成各种 ML 模型，实现数据的自动向量化。

内置向量化：Weaviate 可以直接在写入数据时自动调用嵌入模型（如 OpenAI、Cohere、HuggingFace 等）生成向量，开发者无需额外搭建 Embedding 服务。这对快速原型开发极为友好。
混合搜索：原生支持将向量搜索（语义匹配）与倒排索引（关键词匹配）结合，通过 hybrid 搜索在 RAG 场景中同时兼顾语义相关性和关键词精确匹配。
多模态支持：通过 multi2vec-clip 模块，可以同时处理文本和图片的向量化，实现跨模态检索。
GraphQL 原生查询：API 采用 GraphQL 设计，查询灵活性高，可以在一次请求中完成向量搜索、过滤、聚合等操作。

以下基准测试数据来自 ann-benchmarks 及社区公开评测，测试环境为 16 vCPU、64 GB RAM 的单机实例，使用 glove-100-angular 数据集（约 118 万条 100 维向量）。

指标	Milvus	Qdrant	Weaviate
索引算法	HNSW	HNSW	HNSW
召回率@10	0.998	0.997	0.996
查询延迟（P99）	2.1 ms	1.8 ms	2.5 ms
QPS（16 并发）	6,200	7,100	5,400
内存占用	3.2 GB	2.8 GB	3.5 GB
索引构建时间	4 分 12 秒	3 分 28 秒	5 分 05 秒

说明：以上数据为单机基准测试，实际生产环境中的性能会受数据规模、维度、过滤条件、硬件配置等因素影响。建议在目标场景下自行压测。

在十亿级向量规模下，三者表现差异更为明显：