向量数据库对比手册

向量数据库用于存储和检索 Embedding，常见于语义搜索、RAG 知识库、相似图片检索和推荐系统。选择时要看数据规模、部署方式、过滤能力和运维成本。

核心术语

Embedding，向量表示：把文本、图片或音频转换成数字向量，语义相近的数据向量距离更近。

ANN，近似最近邻搜索：为了速度，不一定找绝对最近，但能快速找到足够相似的结果。

Index，索引：加速向量检索的数据结构。

Metadata，元数据：向量之外的附加信息，例如文档来源、时间、权限、标签。

常见产品类型

托管服务：例如云端向量数据库，省运维，适合快速上线，但要关注费用和数据合规。

开源自建：例如 Milvus、Qdrant、Weaviate 等，可控性强，适合企业内部部署，但需要运维能力。

数据库扩展：例如 PostgreSQL 加 pgvector，适合中小规模项目，能和业务数据放在一起管理。

对比维度

1. 数据量：几万、几百万还是上亿向量。
2. 检索延迟：用户能否接受秒级或毫秒级。
3. 过滤条件：是否需要按用户权限、时间、分类过滤。
4. 更新频率：文档是否频繁增删改。
5. 部署方式：云端、自建、本地还是混合。
6. 成本：存储、计算、带宽和运维人员。

易混淆点

向量数据库不是知识库本身。知识库还包括文档清洗、切分、Embedding、检索策略、重排和回答生成。向量相似也不等于事实正确，只代表语义接近。

选择建议

个人项目或原型可从 pgvector 或轻量工具开始；企业 RAG 要重视权限过滤和可观测性；超大规模检索再考虑专门向量数据库集群。