7 款向量数据库实测

项目需要向量数据库，团队最初用 PostgreSQL + pgvector 走通了流程。

但随着数据量增长，PostgreSQL 的性能和容量瓶颈越来越明显。

于是我做了一轮测试，对比 7 款主流向量数据库的读写性能。

测试方法

所有自部署数据库统一在 Docker 中限制 2 核 2GB 内存，使用 Python 脚本生成 10,000 条 1024 维向量进行测试。

主要指标是 QPS，即每秒处理的请求数。云服务因网络延迟影响，仅作参考。

性能对比

先看结论。

Weaviate 写入最快，但 Milvus 读取遥遥领先。考虑到向量数据库的核心场景是相似性搜索，读取性能更重要。

各数据库详情

Milvus

读写性能平衡，很多大厂在用，社区成熟，文档完整。

测试结果

• 写入：10,000 条向量，19.31 秒，517.91 QPS

• 读取：10,000 次搜索，17.57 秒，569.09 QPS

特点

• GitHub Star: 34.6K

• 支持分布式部署（基于 Kubernetes）

• 提供配置计算器：https://milvus.io/zh/tools/sizing

• 官方教程完善：https://milvus.io/zh/bootcamp

Zilliz

Zilliz 是 Milvus 的发起者和主要维护者，提供 Milvus 托管服务。采用 Serverless 按量计费，支持 PB 级数据。

测试结果

服务器在美国（最近的在新加坡），网络延迟严重影响性能：

• 写入：1,000 条向量，422.71 秒，2.37 QPS

• 读取：100 次搜索，29.36 秒，3.41 QPS

价格

• Serverless: $0.3 / GB / 月

• Standard: $99 / 月

• 阿里云 Milvus: 最低 ¥2,500 / 月（4 服务节点 + 1 计算节点）

云服务不适合对延迟敏感的场景，自部署是更好的选择。

Qdrant

Qdrant 用 Rust 编写，性能优秀，社区成熟。

测试结果

• 写入：10,000 条向量，9.58 秒，1043.88 QPS

• 读取：10,000 次搜索，137.29 秒，72.84 QPS

特点

• GitHub Star: 23K，DockerHub 10M+ 下载

• 支持分布式部署（分片和复制）

• 提供 Python、TypeScript、Rust、Java、C#、Go SDK

写入快但读取慢，读写性能不平衡。

Weaviate

Weaviate 性能良好，常与 Qdrant、Milvus
竞争。

测试结果

• 写入：10,000 条向量，4.61 秒，2170.47 QPS

• 读取：10,000 次搜索，27.70 秒，360.98 QPS

特点

• GitHub Star: 13.3K

• 云原生设计，支持 Kubernetes 部署

• AI 原生，模块化，GraphQL API

• 支持混合搜索和元数据过滤

写入性能最强，读取性能仅次于 Milvus。

Elasticsearch

老牌搜索引擎，支持全文搜索、向量搜索、语义搜索、混合搜索。

测试结果

• 写入：10,000 条向量，10.87 秒，919.69 QPS

• 读取：1,000 次搜索，51.62 秒，19.37 QPS

特点

• GitHub Star: 72.6K

• 功能丰富，社区庞大

• 上手难度高，有专门的查询语言 Painless

• 索引构建较慢

适合已有 Elasticsearch 基础设施的团队，否则学习成本较高。

Pinecone

老牌闭源向量数据库，服务器在美国（最近在新加坡）。

测试结果

延迟太高，插入一条要等几十秒，直接放弃测试。

价格

• $25 / 月 + 写入 $4/M + 读取 $16/M

不推荐：延迟无法接受。

Chroma

Chroma 适合本地开发和原型设计，与 LLM
框架集成紧密。

测试结果

• 写入：10,000 条向量，7.12 秒，1404.88 QPS

• 读取：1,000 次搜索，51.66 秒，19.36 QPS

特点

• GitHub Star: 20K

• Python 优先，上手容易

• 早期单机，新架构支持分布式

写入快，读取慢，适合原型开发。

特性对比

结论

建议选用 Milvus。

1. 读写性能平衡，读取性能最强

2. 社区成熟，文档完整度最高

3. 支持分布式部署（基于 Kubernetes）

4. 大部分专业向量数据库开源，不会被锁定

对于小型项目或大型项目前期，PostgreSQL + pgvector 可以先用着。数据量大了再迁移到 Milvus。

Milvus 官方文档：https://milvus.io/docs/zh

Milvus 配置计算器：https://milvus.io/zh/tools/sizing