向量库 2026 选型指南：Qdrant / Milvus / Weaviate / pgvector 四强对决

Qdrant、Milvus、Weaviate、pgvector —— 这四款开源向量数据库在 2026 年同期保持着高度活跃的迭代，截至本文撰写时（2026-07-19），Qdrant 累计 33,396 ⭐、Milvus 45,272 ⭐、Weaviate 16,616 ⭐、pgvector 22,250 ⭐（均据 GitHub API 直连获取）。面对 RAG、Agent 记忆、多模态检索三类典型场景，开发者究竟应该如何取舍？

一、为什么 2026 年向量库选型变得更重要

2026 年的 LLM 应用栈里，向量库的角色从「可选项」变成了「必经之路」。三个推力同时起作用：

• RAG 工业化：企业 RAG 已从 Demo 阶段进入生产阶段，可观测性 / 权限隔离 / 混合检索是硬要求
• Agent 长期记忆：Agent 需要在多轮对话、跨会话甚至跨用户之间持久化记忆向量
• 多模态向量：图像 / 音视频 / 代码 embedding 让单库容量的天花板快速抬高

但「选 Qdrant 还是 Milvus 还是 Weaviate 还是 pgvector」这个问题，在 2026 年没有一个全局最优解——四款都在快速演进，定位的差异反而比两年前更明显。

二、四款定位的核心差异（架构视角）

关键判断（按需取用）：

• 追求极简部署 + 单机能跑到千万级向量 → Qdrant（Rust 单二进制 + HNSW + 强过滤）
• 数据规模超过亿级且需要水平扩展 → Milvus（生产级分片架构，etcd + MinIO + Pulsar 三件套可独立扩缩）
• 需要 GraphQL / 模块化模块 / 多模态检索 → Weaviate（向量化模块多、可插拔）
• 已有 Postgres 业务 + 数据量 < 500 万向量 + 需要事务一致性 → pgvector（零运维成本）

三、技术解析：四款分别在打磨什么

Qdrant：把「过滤 + 向量」做到极致

Qdrant 的核心差异点是 Payload 过滤：传统向量库只做向量召回，但 Qdrant 把结构化字段（JSON payload）做成了可索引、可过滤的一等公民。它在每次召回时都执行「向量相似度 + payload WHERE 条件」的复合查询，性能比传统「先 SQL 过滤再向量召回」更稳定。

实操里看到的几个特性：

• UUID / 整数 / 字符串 / 地理位置都可作为 payload 索引
• 同一个 collection 内可同时支持「最近邻」和「按地理半径召回」
• 在 1 亿向量级别下，过滤 + ANN 查询 p99 < 30ms（据 Qdrant 官方 benchmark 页）

Milvus：从「向量库」升级为「向量基础设施」

Milvus 1.x 是单机版，2.x 重写成云原生分片架构，2026 年的版本已经在打磨 DiskANN 冷数据降本：热数据在内存里按 HNSW 检索，冷数据自动落盘走 DiskANN。这让它能在保持召回质量的前提下把存储成本压到接近 1/10。

Milvus 是四款里运维复杂度最高的——生产部署通常需要 etcd + MinIO + Pulsar 三件套。但换来的是亿级向量 + 多副本高可用 + 跨可用区分片。

Weaviate：模块化 + 多模态

Weaviate 的差异点是 vectorizer 模块化：你可以在写入时自动调用 OpenAI / Cohere / HuggingFace / 自部署模型的 vectorization，不用应用层先算 embedding 再入库。配合 GraphQL 查询，写法相对其他三款更声明式。

2026 年的迭代重点是 RAC（Replicated And Consistent）多副本协议，以及跟 LangChain / LlamaIndex 的深度集成（不绑死 SDK，但确保开箱即用）。

pgvector：让 Postgres 同时是你的向量库

pgvector 的卖点不是性能极限，而是架构简洁：你不用引入新组件、不用做数据同步、不用管事务隔离级别，业务向量直接和订单/用户表存在一起。代价是单机容量有上限（500 万 - 1500 万向量级别，HNSW 全内存）；超过这个规模，HNSW 的 build time 与查询延迟会快速恶化。

实操里，pgvector 配合 pgvectorscale（Timescale 维护的扩展）能再多撑一倍，再大就要权衡是否引入独立向量库。

四、关键点（按重要性排序）

• 没有「最好」，只有「最匹配」：数据规模、运维能力、与业务库关系决定一切
• 生产规模 > 亿级 → Milvus 是事实标准，但要准备好运维成本
• RAG + 中等规模 + 强过滤 → Qdrant 是 2026 年的甜点选择，Rust + 单体 + 强过滤三者齐备
• 已有 Postgres + 数据量适中 → pgvector 永远是最经济的起点，不需要引入新组件
• Weaviate 适合 GraphQL 团队 / 多模态重场景，但资源占用最重

五、行业影响与展望

观察 2025-2026 年的方向，有三条趋势值得聚焦：

混合检索成标配：BM25 + 向量 + 结构化过滤的组合被 Qdrant / Milvus 2.x / Weaviate 同时纳入核心 API，纯向量库的概念正在淡化

DiskANN / 冷热分层让单机向量库的容量天花板从 1 亿级向 10 亿级推进，Milvus 与 Weaviate 是走在最前面的两款

pgvector 在 PostgreSQL 生态里继续吞噬简易场景——对很多中小团队来说，引入专用向量库的 ROI 越来越低

对架构师的建议：如果你 2026 年正在选型，先按「亿级 vs 千万级 vs 百万级」+「是否有现成 Postgres」两个维度拍板，再纠结细节；过早优化在向量库选择上是常见的时间黑洞。

六、结语

向量库选型的「正确姿势」是先承认四款都活到 2026 年不是偶然——它们各自占据不同的生态位，对应不同的工程取舍。希望这篇横评能帮你把抽象的「Qdrant vs Milvus vs Weaviate vs pgvector」问题，转换成具体的「我的数据量 / 运维能力 / 业务集成需求是哪个组合」问题。

社区里对这个问题也有持续讨论：HN 上有专门的 Ask HN 帖「Which Vector Database do you recommend for LLM applications?」长期保持热度，每周都有新观点补充。读者如果对某个特定场景（比如要求强一致性 / 多租户隔离 / 离线推理）有更细的问题，欢迎在评论区提出。

参考资料

官方文档

• Qdrant Documentation [200] - 含 Payload Filtering / HNSW 配置 / 部署模式
• Qdrant Benchmarks Page [200] - 1 亿级 HNSW p99 实测
• Weaviate Vector Index Concepts [200] - 模块化 + 索引选择
• pgvector README API [200] - Postgres 扩展说明

开源项目

• qdrant/qdrant GitHub Metadata [200] - 33,396 ⭐，最后 push 2026-07-19
• milvus-io/milvus GitHub Metadata [200] - 45,272 ⭐，最后 push 2026-07-19
• weaviate/weaviate GitHub Metadata [200] - 16,616 ⭐，最后 push 2026-07-19
• pgvector/pgvector GitHub Metadata [200] - 22,250 ⭐，最后 push 2026-07-11
• facebookresearch/faiss [200] - C++ 经典向量检索库
• spotify/annoy [200] - Spotify 开源近似最近邻库

对比基准

• ANN Benchmarks (erikbern/ann-benchmarks GitHub Metadata) [200] - 主流向量库的标准化 recall/latency 基准
• HNSW 原始论文 arXiv 1603.09320 [200] - Hierarchical Navigable Small World graph, Malkov & Yashunin, 2016

社区讨论

• HN: Ask HN - Which Vector Database do you recommend for LLM applications? [200] - 5+pts 持续讨论
• HN: Show HN - VectorDBZ, a desktop GUI for vector databases [200] - 13pts
• HN: pgvector + Postgres 讨论聚合 [200] - 生产实践视角

**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。