**一句话讲清楚：**RAG、Agent记忆、推荐系统背后都靠向量数据库做语义检索。但Chroma、Qdrant、Milvus、Redis Vector、PgVector到底怎么选？这篇从原理到选型逻辑一次讲透。
01 什么是向量数据库，为什么不能用MySQL硬扛
向量数据库是专门存储、索引、检索高维向量的专用数据库。文本、图片、音频经过Embedding模型变成一串数字（比如1536维），向量数据库的核心活儿就是：给定一个查询向量，快速找出语义最接近的那些。
传统数据库只能做精准匹配（WHERE id=123）和模糊匹配（LIKE '%关键词%'），它不理解"手机"和"移动电话"语义相近。向量数据库通过距离算法（余弦、欧氏）计算语义相似度，这是RAG知识库、Agent记忆检索、推荐系统的底层基础设施。
为什么不能用MySQL存向量数组？
数据量小（几百条）暴力遍历确实能跑。但到了万级以上，每次查询都要把Query向量和所有向量逐个算距离，时间复杂度O(N)，多人并发直接崩。向量数据库内置ANN（近似最近邻）索引，用极小的精度损失换百倍提速，还支持过滤、分片、持久化。
02 五大主流方案横向对比
直接上对比表，一目了然：
方案
技术栈
数据量级
运维成本
适配场景
ChromaPython 嵌入式
<10万
零运维
本地开发、Demo验证
QdrantRust
10万~千万
低
中小规模生产RAG
MilvusC++/Go 分布式
亿级以上
高（需K8s）
大型企业、海量数据
Redis VectorC（Redis Stack）
热点缓存级
低（已有Redis）
微秒级热点检索
PgVectorPG插件
<百万
极低（复用PG）
存量PG轻量改造
Chroma：纯Python嵌入式，零配置，import就能用。但不支持分布式、无SLA，只适合本地Demo，别上生产。
Qdrant：Rust写的，性能强、延迟稳、单节点扛百万级。Docker一条命令部署，中小团队生产首选，性价比最高。
Milvus：国内企业落地最多的分布式方案，支持亿级向量、IVF/HNSW/DiskANN/GPU多种索引。但依赖etcd、MinIO、K8s，运维门槛高，小团队用着浪费。
Redis Vector：Redis Stack内置，微秒级响应。适合已有Redis架构、做热点缓存和实时推荐，不适合存海量冷数据。
PgVector：PostgreSQL插件，SQL和向量检索混查最自然。性能远不如专用DB，但存量PG项目零改造升级AI能力，成本最低。
03 选型决策逻辑：一张图搞定
选型不看个人喜好，看四个硬指标：数据量级、并发要求、延迟指标、运维能力。
决策树：
· 数据量 < 10万、做Demo → Chroma
· 10万~千万级、中小团队生产 → Qdrant
· 亿级以上、需要集群高可用 → Milvus
· 已有Redis、做热点缓存 → Redis Vector
· 存量PG项目轻量改造 → PgVector
图：向量数据库选型决策图
04 核心索引算法：HNSW / IVF / PQ / DiskANN
向量数据库快不快，关键看索引算法。四种主流算法各有取舍：
HNSW（分层导航小世界图）：查询最快，但索引常驻内存。内存够、追求低延迟就选它，Qdrant和Milvus默认推荐。
IVF（倒排文件，K-Means聚类）：把向量分成N个桶，查询只搜邻近几个桶。内存比HNSW省，适合大数据量但内存有限。
PQ（乘积量化）：把向量压缩成短编码，内存省几倍但召回率略降。存储成本敏感时用。
DiskANN：基于磁盘的索引，十亿级以上塞不进内存时的选择，Milvus支持。
面试追问：索引算法怎么选？
性能优先选HNSW，内存有限选IVF，成本敏感选PQ，超大规模选DiskANN。实际项目经常混用------热数据HNSW走内存，冷数据PQ压缩存磁盘。
05 高频面试题：怎么答才不像背的
Q1：为什么不用MySQL存向量？
关键看数据规模。几千条pgvector或FAISS能跑，但到了xx万条，每次查询暴力遍历，并发上去延迟直接崩。向量数据库的核心价值不是"存向量"，而是ANN索引+过滤+分片+持久化这一整套工程能力，在可接受的召回损失下把延迟降下来。
Q2：Milvus和PgVector怎么选？
本质是定位不同。Milvus是专门的分布式向量数据库，Proxy/QueryNode/DataNode/IndexNode分工扩展，数据量大、并发高时撑得住。PgVector是PG插件，优势在于向量检索和业务SQL混查自然。选型：数据量大增长快选Milvus；数据中等、要和业务数据深度整合选PgVector。
Q3：选型核心考量有哪些？
四个维度：数据规模与增长预期、读写比例与延迟要求、查询复杂度（纯向量 vs 混合过滤）、运维能力与成本。没有绝对好坏，关键是能力和约束匹配------先定召回率要求、延迟目标、数据规模和预算，再做评估，别只看性能榜单。
**落地总结：**向量数据库选型没有银弹。Demo用Chroma快速验证，生产中小规模用Qdrant性价比最高，亿级以上上Milvus，已有Redis做热点缓存，存量PG做轻量改造。索引算法按"性能优先HNSW、内存有限IVF、成本敏感PQ、超大规模DiskANN"来选。
关注我们，一起把技术讲明白（寻码札记）。