向量数据库选型指南：Milvus / Qdrant / Chroma / pgvector

摘要：本文围绕「向量数据库选型」展开，系统对比 Milvus、Qdrant、Chroma、pgvector 四款主流方案在架构、性能、功能与一致性上的差异，并给出按场景的选型建议；最后通过一个从 Chroma 原型迁移到 Qdrant 生产环境的完整实战案例，演示迁移步骤与注意事项，助你快速做出合适决策。

1. 引言

随着大模型与 RAG（检索增强生成）应用的普及，向量数据库已成为技术栈中的关键一环。面对 Milvus、Qdrant、Chroma、pgvector 等众多选择，很多开发者会陷入「选择困难」。本文将从架构、功能、性能、适用场景等维度，帮你理清思路，找到最适合自己的方案。

2. 先看本质：向量数据库解决什么问题

在深入对比之前，先明确向量数据库的核心职责：

• 存储：保存高维向量（如 768 维、1536 维的 Embedding）及其关联的元数据。
• 检索：通过近似最近邻（ANN）算法，在海量向量中快速找到「语义最相似」的 Top-K 结果。
• 过滤：在向量检索的同时，结合标量字段（如时间、类别、权限）进行混合过滤。

理解这一点后，我们再看各产品的定位差异。

3. 四款主流向量数据库速览

产品	定位	部署形态	核心优势	典型场景
Milvus	分布式向量数据库	独立集群（可云原生）	超大规模、高并发、功能全	生产级大规模 RAG、推荐、搜索
Qdrant	高性能向量搜索引擎	独立服务（单机/集群）	性能出色、Rust 编写、过滤能力强	中等规模生产、实时检索
Chroma	轻量级嵌入式向量库	进程内/本地	极简、上手快、与 LangChain 集成好	原型验证、教学、小规模应用
pgvector	PostgreSQL 扩展	嵌入现有 PG 实例	复用 PG 生态、事务一致、运维简单	已有 PG 业务、中小规模、需强一致性

4. 深度对比：关键维度逐个看

4.1 架构与部署复杂度

• Milvus：采用存算分离架构，由 Coordinator、Proxy、Query Node、Data Node 等组件构成，依赖 etcd、MinIO/S3、Pulsar/Kafka。功能强大，但部署和运维成本最高，适合有专门基础设施团队的场景。
• Qdrant：单一二进制文件即可运行，支持单机与分布式模式。Rust 实现，资源占用相对可控，部署比 Milvus 简单很多。
• Chroma：可嵌入 Python 进程，也可作为独立服务运行。零配置起步，几行代码即可完成「写入-检索」闭环。
• pgvector：作为 PostgreSQL 扩展安装，无需额外引入新组件，完全复用现有数据库的备份、监控、权限体系。

4.2 性能与扩展性

• Milvus：专为海量数据设计，支持百亿级向量规模，通过分片与负载均衡实现水平扩展，高并发下表现稳定。
• Qdrant：在单机性能上非常出色，支持多种索引类型（HNSW、IVF），并提供精准的过滤与负载均衡能力，适合对延迟敏感的场景。
• Chroma：面向中小规模数据，性能足够满足原型与轻量应用，但缺乏分布式扩展能力。
• pgvector：借助 PG 的成熟能力，支持 HNSW 与 IVFFlat 索引。数据量在千万级以内时表现良好，但超大规模下扩展性受限。

4.3 性能基准测试参考

为了更直观地对比四款产品在不同数据规模下的表现，这里给出一个基准测试参考。测试使用 1536 维 Embedding、HNSW 索引、余弦相似度，单机部署（Milvus 为单机 Standalone 模式），并发 50 线程，查询 Top-10。数据为公开社区基准与官方文档数据的综合参考值，实际结果会因硬件、数据分布、索引参数而异，仅用于选型时的量级判断。

数据量	指标	Milvus	Qdrant	Chroma	pgvector
百万级（100 万）	查询延迟（P99）	8--15 ms	5--10 ms	10--25 ms	15--40 ms
百万级（100 万）	QPS	800--1500	1200--2000	300--600	200--500
百万级（100 万）	内存占用	约 2--4 GB	约 1--2 GB	约 0.5--1 GB	约 1--2 GB（含 PG）
千万级（1000 万）	查询延迟（P99）	15--30 ms	12--25 ms	50--150 ms	60--200 ms
千万级（1000 万）	QPS	500--1000	800--1500	80--200	50--150
千万级（1000 万）	内存占用	约 8--16 GB	约 6--12 GB	约 4--8 GB	约 8--16 GB（含 PG）
亿级（1 亿）	查询延迟（P99）	30--60 ms	40--80 ms	不适用（无分布式扩展）	不适用（扩展性受限）
亿级（1 亿）	QPS	300--800	400--900	不适用	不适用
亿级（1 亿）	内存占用	约 32--64 GB	约 24--48 GB	不适用	不适用

测试环境与版本信息：

• 硬件：8 核 CPU / 32 GB 内存 / NVMe SSD。
• Milvus：v2.4.x，Standalone 模式，HNSW（M=16，efConstruction=200）。
• Qdrant：v1.9.x，单节点，HNSW（M=16，efConstruction=200）。
• Chroma：v0.5.x，PersistentClient 本地模式。
• pgvector：v0.7.x，PostgreSQL 16，HNSW（m=16，ef_construction=200）。

说明：Chroma 与 pgvector 在亿级数据下通常不作为生产首选------前者缺乏分布式扩展能力，后者在超大规模下扩展性受限，因此表中标注为「不适用」。若你的场景达到亿级，建议优先评估 Milvus 或 Qdrant 集群方案。

4.4 功能特性

功能	Milvus	Qdrant	Chroma	pgvector
向量索引类型	HNSW、IVF、DiskANN 等	HNSW、IVF	HNSW	HNSW、IVFFlat
标量过滤	强（支持复杂表达式）	强（Payload 过滤）	基础	强（SQL 级过滤）
多租户/权限	支持	支持	有限	支持（PG 权限）
数据持久化	支持（对象存储）	支持（本地/云盘）	支持（本地）	支持（PG 存储）
生态集成	LangChain、LlamaIndex、Spark 等	LangChain、LlamaIndex 等	LangChain、LlamaIndex 等	LangChain、Django、SQLAlchemy 等

4.5 数据一致性

• pgvector：天然继承 PostgreSQL 的 ACID 事务特性，写入即可见，适合对数据一致性要求极高的业务。
• Milvus / Qdrant：提供最终一致性，写入后存在短暂延迟，但通常能满足检索场景需求。
• Chroma：单机模式下一致性较好，但缺乏分布式事务保障。

5. 选型决策：按场景对号入座

场景一：快速原型 / 学习 / 个人项目

推荐：Chroma

如果你只是想快速验证 RAG 思路、跑通 Demo，或数据量在百万级以内，Chroma 是最省心的选择。它与 LangChain 深度集成，几乎零学习成本。

import chromadb

client = chromadb.Client()
collection = client.create_collection("demo")
collection.add(
    documents=["这是第一条文档", "这是第二条文档"],
    ids=["doc1", "doc2"]
)
results = collection.query(query_texts=["查询内容"], n_results=2)
print(results)

场景二：已有 PostgreSQL 业务，数据量中等

推荐：pgvector

如果你的业务已经跑在 PostgreSQL 上，且向量数据量在千万级以内，pgvector 是最平滑的升级路径。无需引入新组件，直接复用现有运维体系。

-- 创建扩展
CREATE EXTENSION vector;

-- 建表
CREATE TABLE items (
    id bigserial PRIMARY KEY,
    content text,
    embedding vector(1536)
);

-- 创建 HNSW 索引
CREATE INDEX ON items USING hnsw (embedding vector_cosine_ops);

-- 相似度检索
SELECT id, content, 1 - (embedding <=> '[...]') AS similarity
FROM items
ORDER BY embedding <=> '[...]'
LIMIT 5;

场景三：生产级大规模 RAG / 搜索

推荐：Milvus

当数据量达到亿级以上、需要高并发与水平扩展时，Milvus 是更稳妥的选择。它提供了完整的分布式能力与丰富的生态工具。

from pymilvus import connections, Collection, CollectionSchema, FieldSchema, DataType

connections.connect(host="localhost", port="19530")

fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536)
]
schema = CollectionSchema(fields, description="RAG collection")
collection = Collection("rag_docs", schema)
collection.create_index("embedding", {"index_type": "HNSW", "metric_type": "COSINE"})

场景四：中等规模、追求性能与过滤能力

推荐：Qdrant

如果你需要比 Chroma 更强的性能与过滤能力，又不想承担 Milvus 的运维复杂度，Qdrant 是很好的平衡点。

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = QdrantClient(host="localhost", port=6333)
client.recreate_collection(
    collection_name="docs",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE)
)
client.upsert(
    collection_name="docs",
    points=[PointStruct(id=1, vector=[0.1] * 1536, payload={"category": "tech"})]
)

6. 实战案例：从原型到生产

前面我们按场景给出了选型建议，但很多团队的真实路径是：先用 Chroma 快速验证 RAG 思路，等业务跑通、数据量上来后，再迁移到 Qdrant 这类更适合生产环境的方案。下面用一个完整案例，演示这条「从原型到生产」的迁移之路。

6.1 迁移背景

假设我们做了一个内部知识库问答系统，最初用 Chroma 存储文档向量，跑通了 Demo。随着业务推广，数据量增长到千万级，并出现了以下痛点：

• 并发能力不足：Chroma 单机模式在高并发查询下延迟明显上升。
• 过滤能力弱：需要按部门、权限、时间等标量字段做精细过滤，Chroma 支持有限。
• 运维与监控缺失：缺少集群部署、健康检查、指标监控等生产级能力。

于是我们决定迁移到 Qdrant，它性能出色、过滤能力强，且部署比 Milvus 简单，是中等规模生产环境的理想选择。

6.2 迁移步骤总览

#mermaid-svg-hZC6H7Vm8dQZrh3L{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-hZC6H7Vm8dQZrh3L .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-hZC6H7Vm8dQZrh3L .error-icon{fill:#552222;}#mermaid-svg-hZC6H7Vm8dQZrh3L .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-hZC6H7Vm8dQZrh3L .marker{fill:#333333;stroke:#333333;}#mermaid-svg-hZC6H7Vm8dQZrh3L .marker.cross{stroke:#333333;}#mermaid-svg-hZC6H7Vm8dQZrh3L svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-hZC6H7Vm8dQZrh3L p{margin:0;}#mermaid-svg-hZC6H7Vm8dQZrh3L .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-hZC6H7Vm8dQZrh3L .cluster-label text{fill:#333;}#mermaid-svg-hZC6H7Vm8dQZrh3L .cluster-label span{color:#333;}#mermaid-svg-hZC6H7Vm8dQZrh3L .cluster-label span p{background-color:transparent;}#mermaid-svg-hZC6H7Vm8dQZrh3L .label text,#mermaid-svg-hZC6H7Vm8dQZrh3L span{fill:#333;color:#333;}#mermaid-svg-hZC6H7Vm8dQZrh3L .node rect,#mermaid-svg-hZC6H7Vm8dQZrh3L .node circle,#mermaid-svg-hZC6H7Vm8dQZrh3L .node ellipse,#mermaid-svg-hZC6H7Vm8dQZrh3L .node polygon,#mermaid-svg-hZC6H7Vm8dQZrh3L .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-hZC6H7Vm8dQZrh3L .rough-node .label text,#mermaid-svg-hZC6H7Vm8dQZrh3L .node .label text,#mermaid-svg-hZC6H7Vm8dQZrh3L .image-shape .label,#mermaid-svg-hZC6H7Vm8dQZrh3L .icon-shape .label{text-anchor:middle;}#mermaid-svg-hZC6H7Vm8dQZrh3L .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-hZC6H7Vm8dQZrh3L .rough-node .label,#mermaid-svg-hZC6H7Vm8dQZrh3L .node .label,#mermaid-svg-hZC6H7Vm8dQZrh3L .image-shape .label,#mermaid-svg-hZC6H7Vm8dQZrh3L .icon-shape .label{text-align:center;}#mermaid-svg-hZC6H7Vm8dQZrh3L .node.clickable{cursor:pointer;}#mermaid-svg-hZC6H7Vm8dQZrh3L .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-hZC6H7Vm8dQZrh3L .arrowheadPath{fill:#333333;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-hZC6H7Vm8dQZrh3L .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-hZC6H7Vm8dQZrh3L .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-hZC6H7Vm8dQZrh3L .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-hZC6H7Vm8dQZrh3L .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-hZC6H7Vm8dQZrh3L .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-hZC6H7Vm8dQZrh3L .cluster text{fill:#333;}#mermaid-svg-hZC6H7Vm8dQZrh3L .cluster span{color:#333;}#mermaid-svg-hZC6H7Vm8dQZrh3L div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-hZC6H7Vm8dQZrh3L .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-hZC6H7Vm8dQZrh3L rect.text{fill:none;stroke-width:0;}#mermaid-svg-hZC6H7Vm8dQZrh3L .icon-shape,#mermaid-svg-hZC6H7Vm8dQZrh3L .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-hZC6H7Vm8dQZrh3L .icon-shape p,#mermaid-svg-hZC6H7Vm8dQZrh3L .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-hZC6H7Vm8dQZrh3L .icon-shape .label rect,#mermaid-svg-hZC6H7Vm8dQZrh3L .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-hZC6H7Vm8dQZrh3L .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-hZC6H7Vm8dQZrh3L .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-hZC6H7Vm8dQZrh3L :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 导出 Chroma 数据
启动 Qdrant 服务
创建 Collection 与索引
编写迁移脚本
全量数据导入
双写与校验
切换读流量
下线 Chroma

整个迁移分为六个阶段，下面逐一展开。

6.3 第一步：导出 Chroma 数据

Chroma 的数据存储在本地目录中，我们可以通过其 Python API 读取全部数据并导出为 JSON 文件，作为迁移的中间载体。

import chromadb
import json

client = chromadb.PersistentClient(path="./chroma_data")
collection = client.get_collection("knowledge_base")

# 读取全部数据（注意：get 默认有上限，需分批拉取）
all_data = collection.get(include=["documents", "metadatas", "embeddings"])
records = []
for i in range(len(all_data["ids"])):
    records.append({
        "id": all_data["ids"][i],
        "document": all_data["documents"][i],
        "metadata": all_data["metadatas"][i],
        "embedding": all_data["embeddings"][i],
    })

with open("chroma_export.json", "w", encoding="utf-8") as f:
    json.dump(records, f, ensure_ascii=False)

print(f"已导出 {len(records)} 条记录")

注意 ：Chroma 的 get 方法默认有返回条数上限，数据量大时务必使用 limit 与 offset 参数分批拉取，避免数据丢失。

6.4 第二步：启动 Qdrant 并创建 Collection

Qdrant 支持 Docker 一键部署，这里以单机模式为例：

docker run -d \
  --name qdrant \
  -p 6333:6333 \
  -p 6334:6334 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  qdrant/qdrant

启动后，用 Python 客户端创建 Collection。注意向量维度必须与 Chroma 中导出的 Embedding 维度一致（本例为 1536 维）。

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams

client = QdrantClient(host="localhost", port=6333)

client.recreate_collection(
    collection_name="knowledge_base",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE),
)
print("Collection 创建成功")

6.5 第三步：编写迁移脚本并全量导入

读取导出的 JSON 文件，逐批写入 Qdrant。建议使用 upsert 分批提交，并开启 wait=True 确保写入落盘。

import json
from qdrant_client import QdrantClient
from qdrant_client.models import PointStruct

client = QdrantClient(host="localhost", port=6333)

with open("chroma_export.json", "r", encoding="utf-8") as f:
    records = json.load(f)

BATCH_SIZE = 500
for i in range(0, len(records), BATCH_SIZE):
    batch = records[i : i + BATCH_SIZE]
    points = [
        PointStruct(
            id=hash(rec["id"]) % (2**63),  # 将字符串 ID 映射为整数 ID
            vector=rec["embedding"],
            payload={
                "document": rec["document"],
                **rec["metadata"],
            },
        )
        for rec in batch
    ]
    client.upsert(
        collection_name="knowledge_base",
        points=points,
        wait=True,
    )
    print(f"已导入 {i + len(batch)} / {len(records)} 条")

print("全量导入完成")

注意：Qdrant 的 Point ID 必须是 64 位无符号整数。如果 Chroma 中使用的是字符串 ID，需要设计稳定的哈希映射，避免迁移后 ID 冲突或无法对应回原业务数据。

6.6 第四步：双写与数据校验

切换流量前，建议先让新旧两套系统并行运行一段时间，并做一致性校验。

from qdrant_client import QdrantClient
import chromadb

qdrant = QdrantClient(host="localhost", port=6333)
chroma_client = chromadb.PersistentClient(path="./chroma_data")
chroma_col = chroma_client.get_collection("knowledge_base")

# 随机抽取若干条，对比检索结果
test_queries = ["如何配置权限", "数据库连接超时怎么办", "日志清理策略"]

for q in test_queries:
    qdrant_res = qdrant.query(
        collection_name="knowledge_base",
        query_text=q,
        limit=3,
    )
    chroma_res = chroma_col.query(query_texts=[q], n_results=3)
    print(f"查询：{q}")
    print(f"  Qdrant  Top1: {qdrant_res.points[0].payload['document'][:30]}")
    print(f"  Chroma  Top1: {chroma_res['documents'][0][0][:30]}")

校验通过后，将写入逻辑改为「双写」：新数据同时写入 Chroma 与 Qdrant，读流量逐步切到 Qdrant。

6.7 第五步：切换流量并下线 Chroma

确认 Qdrant 检索结果与 Chroma 一致后，按以下顺序完成切换：

1. 切读流量：将查询接口全部指向 Qdrant，观察一段时间，确认无异常。
2. 停双写：确认稳定后，停止向 Chroma 写入，仅保留 Qdrant。
3. 备份归档：对 Chroma 数据目录做一次完整备份，保留一段时间以备回滚。
4. 下线服务：确认无误后，停止并移除 Chroma 相关进程与存储。

6.8 迁移注意事项

• 向量维度一致性：迁移前务必确认两边 Embedding 模型一致、维度相同，否则检索结果会失真。
• ID 映射策略：提前设计好字符串 ID 到整数 ID 的映射规则，避免迁移后无法关联原业务数据。
• 分批导入与断点续传：数据量大时，建议记录已导入的批次，失败时可从断点继续，避免全量重跑。
• 先校验再切换：不要一次性切换全部流量，先灰度、再全量，降低风险。
• 保留回滚能力：下线 Chroma 前保留完整备份，给线上留一条退路。

6. 决策流程图

#mermaid-svg-FDIW71cs3zQdm2NJ{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-FDIW71cs3zQdm2NJ .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-FDIW71cs3zQdm2NJ .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-FDIW71cs3zQdm2NJ .error-icon{fill:#552222;}#mermaid-svg-FDIW71cs3zQdm2NJ .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-FDIW71cs3zQdm2NJ .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-FDIW71cs3zQdm2NJ .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-FDIW71cs3zQdm2NJ .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-FDIW71cs3zQdm2NJ .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-FDIW71cs3zQdm2NJ .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-FDIW71cs3zQdm2NJ .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-FDIW71cs3zQdm2NJ .marker{fill:#333333;stroke:#333333;}#mermaid-svg-FDIW71cs3zQdm2NJ .marker.cross{stroke:#333333;}#mermaid-svg-FDIW71cs3zQdm2NJ svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-FDIW71cs3zQdm2NJ p{margin:0;}#mermaid-svg-FDIW71cs3zQdm2NJ .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-FDIW71cs3zQdm2NJ .cluster-label text{fill:#333;}#mermaid-svg-FDIW71cs3zQdm2NJ .cluster-label span{color:#333;}#mermaid-svg-FDIW71cs3zQdm2NJ .cluster-label span p{background-color:transparent;}#mermaid-svg-FDIW71cs3zQdm2NJ .label text,#mermaid-svg-FDIW71cs3zQdm2NJ span{fill:#333;color:#333;}#mermaid-svg-FDIW71cs3zQdm2NJ .node rect,#mermaid-svg-FDIW71cs3zQdm2NJ .node circle,#mermaid-svg-FDIW71cs3zQdm2NJ .node ellipse,#mermaid-svg-FDIW71cs3zQdm2NJ .node polygon,#mermaid-svg-FDIW71cs3zQdm2NJ .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-FDIW71cs3zQdm2NJ .rough-node .label text,#mermaid-svg-FDIW71cs3zQdm2NJ .node .label text,#mermaid-svg-FDIW71cs3zQdm2NJ .image-shape .label,#mermaid-svg-FDIW71cs3zQdm2NJ .icon-shape .label{text-anchor:middle;}#mermaid-svg-FDIW71cs3zQdm2NJ .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-FDIW71cs3zQdm2NJ .rough-node .label,#mermaid-svg-FDIW71cs3zQdm2NJ .node .label,#mermaid-svg-FDIW71cs3zQdm2NJ .image-shape .label,#mermaid-svg-FDIW71cs3zQdm2NJ .icon-shape .label{text-align:center;}#mermaid-svg-FDIW71cs3zQdm2NJ .node.clickable{cursor:pointer;}#mermaid-svg-FDIW71cs3zQdm2NJ .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-FDIW71cs3zQdm2NJ .arrowheadPath{fill:#333333;}#mermaid-svg-FDIW71cs3zQdm2NJ .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-FDIW71cs3zQdm2NJ .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-FDIW71cs3zQdm2NJ .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-FDIW71cs3zQdm2NJ .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-FDIW71cs3zQdm2NJ .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-FDIW71cs3zQdm2NJ .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-FDIW71cs3zQdm2NJ .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-FDIW71cs3zQdm2NJ .cluster text{fill:#333;}#mermaid-svg-FDIW71cs3zQdm2NJ .cluster span{color:#333;}#mermaid-svg-FDIW71cs3zQdm2NJ div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-FDIW71cs3zQdm2NJ .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-FDIW71cs3zQdm2NJ rect.text{fill:none;stroke-width:0;}#mermaid-svg-FDIW71cs3zQdm2NJ .icon-shape,#mermaid-svg-FDIW71cs3zQdm2NJ .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-FDIW71cs3zQdm2NJ .icon-shape p,#mermaid-svg-FDIW71cs3zQdm2NJ .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-FDIW71cs3zQdm2NJ .icon-shape .label rect,#mermaid-svg-FDIW71cs3zQdm2NJ .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-FDIW71cs3zQdm2NJ .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-FDIW71cs3zQdm2NJ .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-FDIW71cs3zQdm2NJ :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 是
是
否
否
是
是
否
否
是
否
开始选型
已有 PostgreSQL 业务?
数据量 < 千万级?
pgvector
Milvus
需要生产级大规模?
需要强过滤与高性能?
Qdrant
快速原型/学习?
Chroma

7. 总结与建议

• Chroma：适合快速验证与轻量应用，上手最快。
• pgvector：适合已有 PG 生态、数据量中等、重视事务一致性的场景。
• Qdrant：适合中等规模生产环境，性能与过滤能力均衡。
• Milvus：适合大规模、高并发、需要水平扩展的生产级系统。

选型没有「最好」，只有「最合适」。建议先明确自己的数据规模、运维能力与业务需求，再结合本文的对比做出决策。如果条件允许，可以用真实数据做一轮基准测试，用数据说话。