企业官网建设流程全解析

向量数据库选型指南：Chroma vs Milvus vs Qdrant vs Weaviate

一、当你搭建第一个 RAG 系统时

去年我帮一个创业团队搭建内部知识库问答系统，技术栈选的是 LangChain + GPT-4，原型三天就跑通了。Demo 效果惊艳——上传 PDF 问什么答什么，老板当场拍板要一周内上线。然后噩梦开始了。

原型阶段我用的是 Chroma 的PersistentClient，所有向量存在一个本地目录里。但一到生产环境，问题接踵而至：并发查询慢到不可接受（每个请求排队等锁）、文档量超过 10 万后插入速度断崖式下跌、服务器重启时内存中的数据全部丢失需要重建索引。

这就是向量数据库选型的真实困境——原型阶段的"够用"和生产环境的"能用"之间隔着一整个太平洋。本文基于我过去一年在多个项目中踩过的坑，从架构、性能、运维、成本四个维度对比四大主流向量数据库：Chroma、Milvus、Qdrant、Weaviate。

二、四款数据库核心定位速览

在深入细节之前，先建立一个宏观认知：

一句话概括：Chroma 是"开发者友好的 SQLite"、Milvus 是"向量数据库界的 PostgreSQL"、Qdrant 是"用 Rust 写的性能怪兽"、Weaviate 是"自带 ML 引擎的全能选手"。

三、架构深度对比

3.1 Chroma：极简单机架构

Chroma 的架构简单到几乎只有一个 Python 包：

Chroma Client → SQLite (元数据) + DuckDB/ClickHouse (可选，存储层) ↓ 内存 HNSW 索引

核心特点：

• 嵌入式模式：chromadb.Client()直接在进程中启动，零配置
• 持久化模式：PersistentClient(path="./db")将数据存到磁盘
• 客户端-服务器模式：HttpClient(host="...", port=8000)用于远程访问

Chroma 的 HNSW 索引完全在内存中构建，这既是优点（查询快）也是致命短板——数据量超过内存上限时会直接 OOM。我曾经在一个 16GB 内存的服务器上插入 200 万条 768 维向量，进程直接被杀。

# Chroma 基本使用importchromadb# 持久化模式client=chromadb.PersistentClient(path="./vector_db")collection=client.get_or_create_collection(name="documents",metadata={"hnsw:space":"cosine"}# 余弦相似度)# 批量插入collection.add(documents=["文档内容1","文档内容2"],embeddings=[[0.1,0.2,...],[0.3,0.4,...]],metadatas=[{"source":"wiki"},{"source":"pdf"}],ids=["doc_1","doc_2"])# 查询results=collection.query(query_embeddings=[[0.15,0.25,...]],n_results=5,where={"source":"wiki"}# 元数据过滤)

3.2 Milvus：云原生存算分离

Milvus 是真正为生产设计的分布式向量数据库，架构包含 8 个微服务：

┌─────────────────────────────────────────┐ │ Milvus 架构 │ │ │ │ Access Layer: Proxy (请求路由/负载均衡) │ │ ↓ │ │ Coordinator: Root/Data/Index/Query │ │ ↓ │ │ Worker: Data Node / Index Node / Query Node│ │ ↓ ↓ │ │ Storage: Meta Storage │ Object Storage │ │ (etcd + │ (MinIO/S3) │ │ Pulsar/Kafka)│ │ └─────────────────────────────────────────┘

关键设计：

• 存算分离：存储层（MinIO/S3）和计算层（Query Node）独立扩容
• 流批一体：Pulsar/Kafka 作为消息中间件，同时支持实时写入和批量导入
• 多索引支持：IVF_FLAT、IVF_SQ8、IVF_PQ、HNSW、SCANN、GPU_IVF_FLAT、GPU_IVF_PQ

# Milvus 基本使用frompymilvusimportMilvusClient,DataType client=MilvusClient("./milvus_demo.db")# Milvus Lite 模式# 定义 Schemaschema=client.create_schema(auto_id=