向量数据库选型指南：Milvus / Qdrant / Chroma / Pinecone 实战对比，附 Python 代码

TL;DR：RAG 系统离不开向量数据库。但 Milvus / Qdrant / Chroma / Pinecone 哪个适合你？本文从性能、功能、易用性、成本四个维度对比，附完整 Python 代码，帮你快速选型。

1. 先看结论

2. 为什么需要向量数据库

普通数据库查「相似」——WHERE name = '张三'。

向量数据库查「语义相似」——找到和「自然语言处理技术」意思最接近的文档。

原理：先把文本转成向量（embedding），再用「余弦相似度」或「点积」比较向量距离。

Python - 快速体验向量检索

# 用 numpy 手动实现一个最简单的向量检索（对比原理） import numpy as np def cosine_similarity(a: np.ndarray, b: np.ndarray) -> float: return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)) # 文档向量 documents = { "Python 入门教程": np.array([0.1, 0.8, 0.3]), "深度学习原理": np.array([0.9, 0.2, 0.7]), "Web 开发指南": np.array([0.2, 0.1, 0.9]), } # 查询向量（自然语言处理方向） query = np.array([0.9, 0.7, 0.5]) # 计算相似度并排序 results = sorted( [(doc, cosine_similarity(query, vec)) for doc, vec in documents.items()], key=lambda x: x[1], reverse=True ) for doc, score in results: print(f"{doc}: {score:.3f}") # 输出：深度学习原理: 0.892，Python 入门教程: 0.748，Web 开发指南: 0.637

3. Chroma：快速原型验证

3.1 特点

• 最简单：3 行代码就能跑起来
• 纯 Python：不需要 Docker，直接 pip install
• 轻量：适合数据量 < 10 万的场景
• 不推荐生产：性能有限，没有分布式，不支持高并发

3.2 Python 代码

Python - Chroma 使用示例

import chromadb import openai client = chromadb.Client() # 创建 collection collection = client.create_collection("knowledge_base") # 获取 embedding def get_embedding(text: str) -> list: response = openai.embeddings.create( model="text-embedding-3-small", input=text ) return response.data[0].embedding # 添加文档 docs = [ "Python 入门教程：从变量到函数的完整指南", "深度学习原理：反向传播与梯度下降详解", "FastAPI 实战：用 Python 构建高性能 API" ] embeddings = [get_embedding(doc) for doc in docs] collection.add( ids=["doc_1", "doc_2", "doc_3"], embeddings=embeddings, documents=docs, metadatas=[{"source": "tutorial"} for _ in docs] ) # 查询 query = "如何用 Python 写 Web 接口？" results = collection.query( query_embeddings=[get_embedding(query)], n_results=2 ) print(results["documents"][0]) # 输出：['FastAPI 实战：用 Python 构建高性能 API', 'Python 入门教程']

4. Qdrant：生产环境首选

4.1 特点

• Rust 编写：性能极高，内存占用低
• 支持分布式：可以水平扩展
• 过滤能力强：支持 metadata 条件过滤
• Docker 一键部署：生产环境部署简单
• 推荐场景：大多数 AI 应用的首选

4.2 Python 代码

Python - Qdrant 使用示例

from qdrant_client import QdrantClient from qdrant_client.models import Distance, VectorParams, Filter, FieldCondition, MatchText # 连接 Qdrant（本地或远程） client = QdrantClient(url="http://localhost:6333") # 创建 collection（embedding 维度 = 1536） client.create_collection( collection_name="knowledge_base", vectors_config=VectorParams(size=1536, distance=Distance.COSINE) ) # 插入向量 from qdrant_client.models import PointStruct points = [ PointStruct( id="1", vector=[0.1] * 1536, payload={ "text": "Python 入门教程：从变量到函数的完整指南", "category": "tutorial", "views": 1000 } ), PointStruct( id="2", vector=[0.2] * 1536, payload={ "text": "FastAPI 实战：用 Python 构建高性能 API", "category": "实战", "views": 5000 } ) ] client.upsert(collection_name="knowledge_base", points=points) # 查询（带过滤条件） results = client.search( collection_name="knowledge_base", query_vector=[0.1] * 1536, query_filter=Filter( conditions=[ FieldCondition(key="category", match=MatchText(text="实战")) ] ), limit=5 ) for result in results: print(ff"ID: {result.id}, Score: {result.score:.3f}, Text: {result.payload['text']}")

4.3 Docker 部署

docker-compose.yml

qdrant: image: qdrant/qdrant:latest ports: - "6333:6333" # REST API - "6334:6334" # gRPC（性能更高） volumes: - ./qdrant_data:/qdrant/storage

5. Milvus：超大规模数据

5.1 特点

• 为大规模而生：支持数十亿向量
• 云原生：Kubernetes 原生支持
• 架构复杂：需要多个组件（Root Coord、Query Coord 等）
• 推荐场景：大型企业 / 数据量 > 1000 万

5.2 Python 代码

Python - Milvus 使用示例

from pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType, utility # 连接 Milvus connections.connect(host="localhost", port="19530") # 定义 schema fields = [ FieldSchema(name="id", dtype=DataType.INT64, is_primary=True), FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536), FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=500) ] schema = CollectionSchema(fields=fields, description="Knowledge base") # 创建 collection collection_name = "knowledge_base" if utility.has_collection(collection_name): Collection(collection_name).drop() collection = Collection(name=collection_name, schema=schema) collection.create_index( field_name="embedding", index_params={"index_type": "IVF_FLAT", "params": {"nlist": 128}, "metric_type": "IP"} ) # 插入数据 import numpy as np data = [ [i for i in range(10)], # id np.random.rand(10, 1536).tolist(), # embedding [f"文档 {i}" for i in range(10)] # text ] collection.insert(data) # 搜索 collection.load() search_params = {"metric_type": "IP", "params": {"nprobe": 10}} results = collection.search( data=[np.random.rand(1536).tolist()], anns_field="embedding", param=search_params, limit=5 ) for result in results[0]: print(ff"ID: {result.id}, Distance: {result.distance}")

6. Pinecone：不想运维

6.1 特点

• SaaS 模式：不用自己部署，API 调用即可
• 零运维：自动扩缩容
• 性能极强：毫秒级查询
• 成本高：按使用量收费（免费版 100K 向量）
• 推荐场景：不想运维，追求稳定性的团队

6.2 Python 代码

Python - Pinecone 使用示例

import pinecone # 连接 Pinecone pinecone.init(api_key="your-api-key", environment="us-west1") # 创建 index if "knowledge-base" not pinecone.list_indexes().names(): pinecone.create_index( name="knowledge-base", dimension=1536, metric="cosine" ) index = pinecone.Index("knowledge-base") # 插入向量 index.upsert(vectors=[ ("vec1", [0.1] * 1536, {"text": "Python 入门教程"}), ("vec2", [0.2] * 1536, {"text": "FastAPI 实战"}), ]) # 查询 results = index.query( vector=[0.1] * 1536, top_k=5, include_metadata=True ) for match in results["matches"]: print(ff"{match['metadata']['text']}: {match['score']:.3f}")

7. 性能对比实测

用同一批数据（10000 条向量，每条 1536 维）在不同数据库中测试：

实测结论：Chroma 最慢，但最简单；Qdrant 在自部署方案中性价比最高；Milvus 适合超大规模；Pinecone 最贵但最省心。

8. 选型决策树

数据量 < 10 万，开发阶段？→ Chroma

数据量 > 10 万，要生产部署？→ 继续问

不想运维，愿意付费？→ Pinecone

想自部署，优先易用性？→ Qdrant

数据量 > 1000 万，有 K8s 经验？→ Milvus

9. 总结

大多数 AI 应用（博客、客服、文档检索）：选 Qdrant。

快速验证想法 / 学习阶段：选 Chroma。

不想管服务器，预算充足：选 Pinecone。

如果对你有帮助，欢迎在评论区分享你的向量数据库选型经验。