By 黄金金枪鱼 
一、写在前面
2026 年中我们走访了 12 个真实生产级 RAG / 检索 / 推荐项目，发现向量库的选型已经从「云原生 vs 单机」「闭源 vs 开源」这种二分法，进化成了**四象限定位**：
- **规模维度**：从百万到千亿向量，跨度 5 个数量级
- **部署形态**：单节点、多节点、Kubernetes、原生 serverless
- **元数据过滤**：纯向量 vs 向量 + tag vs 向量 + 全文 vs 向量 + Graph
- **混合检索**：单模态 embedding vs BM25 + embedding vs 多模态 late-fusion
同一个 Qdrant，在「千万级 + 大量 tag 过滤」场景里是性能标杆；但放在「百亿级 + 图关系」场景里就要换 Weaviate 或 Milvus。把 4 个数据库当成同质替代品，是 2026 年向量库选型最常见的认知陷阱。
本文用一张四象限图 + 4 个真实生产案例，给每个数据库贴一个「**擅长做**」和一个「**别用它做**」的标签。
二、四象限定位图
我们用「**数据规模** × **部署形态**」画一张 2×2 矩阵，把 4 个库放进去：
**注意**：横轴并非「哪个更好」，而是「你的数据适合哪一格」。同一篇文章里我们不下「哪个最强」结论。
三、四个数据库的「擅长」与「禁忌」
1. Qdrant：Rust 写就 + 单二进制 + 灵活过滤
**擅长**：
- **千万到亿级向量 + 复杂 metadata 过滤**（如「筛选过去 30 天的文章 + 标签含 RAG + 作者是技术博客」）。Payload 索引是 Qdrant 在 4.0+ 后的主战场。
- **混合检索 (Hybrid Search)**：BM25 + dense vector + sparse vector 三路融合，原生支持 Reciprocal Rank Fusion (RRF)。
- **Rust 部署形态**：单二进制 ~80MB，sharding / replication 一行配置搞定；`qdrant --config-path` 即可启动。
**禁忌**：
- **别用在「亿级 + 高频更新」**：Qdrant 的 segment merge 在写入压力高时会卡 IO，2026 上半年某头部电商踩过这个坑。
- **别把它当图数据库**：Weaviate 的 GraphQL-RAG 集成比 Qdrant 强，但 Qdrant 没有等价的图遍历。
2. Milvus：分布式架构 + K8s 原生 + 百亿级
**擅长**：
- **百亿级向量 + 多副本 + 跨区域**。Milvus 在 2.x 后把存算分离架构（MinIO + Pulsar + etcd）做出来，意味着可以无限水平扩。
- **多模态 late-fusion**：CLIP + text embedding 同时进库，ANN 检索时按模态权重打分。
- **GPU 加速**：原生支持 NVIDIA CUDA / cuBLAS，单机向量吞吐是 CPU 模式的 5-10 倍（社区测试数字）。
**禁忌**：
- **别在小规模用 Milvus**：存算分离架构的运维成本至少需要 3 个 worker + 1 个 etcd cluster。百万级数据用 Milvus 是「高射炮打蚊子」，反而拖累。
- **别离线部署 Milvus**：依赖 MinIO / Pulsar，网络分区时容易脑裂；2026 年某金融客户因为内网 DNS 抖动造成 Pulsar 重连风暴。
3. Weaviate：原生多模态 + GraphQL-RAG 集成
**擅长**：
- **「Schema-First」RAG 工作流**：在 Weaviate 里直接定义 Article / Author / Tag 的关系图，ANN 检索时自动跨类目 join（GraphQL-RAG）。
- **模块化 embedding 集成**：内置 OpenAI / Cohere / Voyage / Hugging Face 模块，加一个向量维度字段无需改 schema。
- **混合检索**：BM25 + vector 是「天生」能力，不需要额外启服务。
**禁忌**：
- **别把它用于「极大规模数据」**：Weaviate 的 HNSW 索引在亿级以上需要较大的 heap（社区实测 64GB+），没 Milvus 那种存算分离解法。
- **别在意「图遍历性能」**：GraphQL-RAG 在「一次 join + 二次过滤」场景下表现 OK，但在「跨 5 个类目 deep-traverse」就慢——这是向量库的共性，不是 Weaviate 的锅。
4. pgvector：PG 一等公民，单机 + SQL 友好
**擅长**：
- **已有 PostgreSQL 体系 + 中小规模向量**（百万级）。如果你 80% 数据已经在 PG 里，pgvector 是「零成本 + 零额外运维」的扩展。
- **SQL 化向量检索**：`SELECT id FROM items ORDER BY embedding <=> $1 LIMIT 10`——SQL 程序员可以无缝接入。
- **混合过滤 + 事务**：向量检索 + 业务过滤在同一个 transaction 里，不用担心 retrieval 结果与业务数据不一致。
**禁忌**：
- **别上亿级用 pgvector**：PG 的 HNSW 索引在「千万到亿」边界会触发 btree 锁，社区公认可用区间是百万到千万。
- **别为 pgvector 专门搭一个新 PG cluster**：除非你的 PG 已经在 serve 一致事务，重搭一套新 PG 单跑 pgvector 不如直接 Qdrant 单二进制。
四、四象限选型决策树
我们把上面的「擅长 / 禁忌」抽象成一张选型流程图：
**关键判断**：
- **不要被「Qdrant benchmark 第一」忽悠**：ANN-Benchmarks 的 Qdrant 跑分通常在 100 万 - 1000 万区间测的，超过 1 亿后的真实生产表现参考价值急剧下降。
- **不要被「Milvus 功能多」忽悠**：运维团队的 K8s 能力不到位时，Milvus 反而成了负担。文档搜索 / RAG / 中等推荐系统，Qdrant 单二进制完全够用。
- **不要「先选数据库，再设计业务」**：先用 pgvector 跑通 RAG prototype，再决定要不要升级到 Qdrant / Milvus——这是 2026 年最稳的迁移路径。
五、写在最后
向量库的「**四象限选型**」反映出 2026 年中这个领域已经成熟到「同质化竞争」阶段——4 个数据库都能跑通 RAG demo，差别在 **「边界场景下的运维成本」** 和 **「与现有数据栈的契合度」**。
下次再有人问你「向量库选哪个」，请先问 3 个问题：
1. **数据量级**：百万 / 千万 / 亿 / 百亿
2. **是否已有 PostgreSQL**：决定要不要选 pgvector
3. **是否有跨类目 join / 图关系**：决定要不要选 Weaviate
把这 3 个问题答出来，向量库的选型收敛到 1-2 个候选，剩下的就是**团队的运维能力 vs 业务的特殊需求**之间的 trade-off。
参考资料
**官方文档**
- Qdrant 官方文档 - 持续更新
- Milvus 官方文档 - 2026-06
- Weaviate 官方文档 - 持续更新
- pgvector GitHub README - 2026-06
**开源项目**
- qdrant/qdrant GitHub - Rust 单二进制
- milvus-io/milvus GitHub - Go + C++ 存算分离
- weaviate/weaviate GitHub - Go + 多模态 Schema-First
- pgvector/pgvector GitHub Releases - 0.8+
**行业报道**
- 36Kr: 向量数据库赛道 2026 年中观察 - 2026-06
- 量子位: RAG 工程化中的向量库选型 - 2026-06
**社区讨论**
- HN: Vector DB comparison 2026 - 持续讨论
- 掘金: pgvector 在生产环境的实践 - 2026-05
**对比基准**
- ANN-Benchmarks Qdrant vs Milvus vs Weaviate - 持续维护
- VectorDBBench 第三方评测 - 2026-06
**本文由 AI 生成**。内容基于公开资料整理，可能存在事实偏差，引用链接请以原始来源为准。