最近给公司RAG项目做向量数据库选型，把Chroma、Milvus和Qdrant三个主流方案都跑了一遍。结论先放前面：没有绝对最优解，要看具体场景。
测试环境
16核CPU、64GB内存、500GB SSD，Ubuntu 22.04。三个数据库都用Docker部署。测试数据：10万/100万/500万条，1536维向量。
查询性能（topK=10，1000次平均）
| 数据量 |
Chroma |
Milvus |
Qdrant |
| 10万 |
15ms |
8ms |
6ms |
| 100万 |
85ms |
12ms |
10ms |
| 500万 |
500ms+ |
25ms |
18ms |
内存占用
| 数据量 |
Chroma |
Milvus |
Qdrant |
| 10万 |
800MB |
2.5GB |
600MB |
| 100万 |
6GB |
8GB |
4.5GB |
| 500万 |
28GB |
22GB |
18GB |
安装难度
Chroma最友好（pip install），Milvus最复杂（多组件架构），Qdrant居中（Docker一行命令）。
推荐
- 个人项目/原型：Chroma，上手快生态好，50万条以内最省心
- 中型项目100万级：Qdrant，性能和资源占用最平衡
- 大型生产千万级：Milvus，分布式架构和企业级特性
额外发现
对大部分RAG应用，向量数据库查询性能不是瓶颈。真正瓶颈在Embedding生成和大模型推理。与其纠结数据库，不如优化文档切分策略和检索召回率。
你在用哪个向量数据库？评论区交流~
终于看到有人做了系统性的对比测试，收藏了。补充几个我在生产环境中的经验：
-
Qdrant的过滤查询性能是三者里最好的。如果你的场景需要在向量搜索的同时做元数据过滤（比如只搜某个用户的文档、只搜某个时间范围内的数据），Qdrant的性能优势会更明显。Chroma在这方面做得最差，加了过滤条件后延迟会翻好几倍。
-
Milvus的磁盘索引是个隐藏大招。如果你的数据量大到内存放不下，Milvus支持DiskANN索引，可以把大部分数据放在SSD上，牺牲一点查询速度但能支撑更大的数据规模。Qdrant在这方面也在跟进了，但成熟度还不如Milvus。
-
数据更新场景要注意。如果你的数据需要频繁更新（删除旧向量+插入新向量），三者的表现差异很大。Qdrant处理更新最优雅，Chroma偶尔会出现更新后查询结果不一致的问题（可能是缓存）。
-
最后一个小建议：无论选哪个，一定要做重启恢复测试。我之前用Chroma遇到过一次断电后数据丢失的情况，虽然是个bug后来修了，但生产环境还是要验证数据持久化的可靠性。
楼主最后那段话说到点子上了。我们之前花了两周选型向量数据库，后来发现换了数据库对最终RAG效果的影响微乎其微。真正让效果提升的是优化了chunk策略——从固定512字切分改成了按语义段落切分，召回准确率直接从65%提到了82%。向量数据库选个够用的就行，别在这上面花太多时间。
作为Milvus的重度用户来说两句公道话。
楼主说Milvus安装复杂，这个确实没法反驳，它的多组件架构（etcd + MinIO + Milvus本身）第一次搞起来确实头大。但这种架构设计是有道理的——每个组件可以独立扩展，etcd管元数据、MinIO管存储，在大规模场景下这种解耦非常有价值。
如果只是想快速体验可以用Milvus Lite，pip install一下就能用，跟Chroma一样简单。只是Lite版本不支持分布式和一些高级特性。
另外Milvus在2.4版本之后性能提升了很多，特别是查询延迟和内存占用方面。如果楼主测试用的是较早的版本，建议更新到最新版再测一次可能会有惊喜。
总结就是：数据量小选Chroma/Qdrant没毛病，但如果你预期数据量会增长到千万级以上，建议从一开始就用Milvus，省得后面迁移的痛苦。
请问楼主，pgvector怎么样？我们项目本来就用PostgreSQL，不想多引入一个数据库