现代向量数据库横评：Milvus vs Qdrant vs pgvector 生产选型与基准

向量数据库的核心选型分水岭

随着 RAG 成为企业标配，市场上的向量存储方案已从最初的狂热走向工程理性。目前主要分为三大阵营：

1. 云原生分布式巨兽（Milvus）：专为亿级以上超大规模向量检索设计，存储与计算彻底分离，依赖 MinIO、etcd、Kafka，适合专业大数据团队；
2. 极速单机与集群利器（Qdrant）：基于 Rust 构建，原生内存映射（mmap）与有效载荷过滤（Payload Filtering）表现惊艳，单节点即可高效支撑千万级向量，运维极其清爽；
3. 关系型一体化扩展（pgvector）：直接在已有的 PostgreSQL 数据库中扩展向量索引类型，完全复用成熟的 ACID 事务、备份容灾体系，是中小团队的最优解。

HNSW 索引图构建与标量过滤 (Payload Filtering)

在实际业务中，纯向量相似度往往伴随着复杂的业务过滤（例如：WHERE tenant_id = 't_123' AND status = 'active'）：

• 后过滤 (Post-filtering)：先搜出前 100 条向量，再滤除不合规记录。当过滤条件极其严苛时，容易导致有效结果归零；
• 单通道迭代过滤 (Single-Stage Filtered HNSW)：Qdrant 和现代 pgvector 支持在遍历 HNSW 邻居图的过程中直接校验标量条件，大幅提升带条件检索的召回率与响应速度。

选型决策打分矩阵

import assert from "node:assert/strict";
function pickDB(scaleM) {
  return scaleM > 50 ? "milvus" : "pgvector";
}
assert.equal(pickDB(100), "milvus");
assert.equal(pickDB(2), "pgvector");

原始资料与溯源链接

• Vector DB Comparison 2024：Qdrant 官方基准测试与向量吞吐横向对比。