向量数据库选型与实战 —— Milvus、Qdrant、Chroma 深度对比与最佳实践

前言

当你的 RAG 系统需要处理百万级以上向量时，单机版的向量检索就不够用了。你需要一个真正的向量数据库。

目前主流的三个选择是：Milvus、Qdrant、Chroma。本文从架构、性能、功能、运维四个维度深度对比。

架构对比

Milvus（云原生）

┌──────────┐ ┌──────────┐ ┌──────────┐ │ Proxy │ │ Proxy │ │ Proxy │ ← 无状态网关 └────┬─────┘ └────┬─────┘ └────┬─────┘ │ │ │ ┌────▼─────────────▼─────────────▼────┐ │ Root Coordinator │ ← 元数据管理 └────▲─────────────▲─────────────▲────┘ │ │ │ ┌────┴─────┐ ┌────┴─────┐ ┌────┴─────┐ │ Query │ │ Data │ │ Index │ │ Node │ │ Node │ │ Node │ ← 计算存储分离 └──────────┘ └──────────┘ └──────────┘ 依赖：etcd（元数据）+ MinIO/S3（数据）+ Kafka（日志）

特点：组件多、功能全、扩展性强。适合大规模生产环境。

Qdrant（Rust 实现）

┌──────────────┐ │ Qdrant │ │ ┌────────┐ │ │ │ Segment│ │ ← 每个 collection 分为多个 segment │ │ │ │ │ │ HNSW │ │ ← 向量索引 + 负载索引 │ │ + Payload│ │ │ └────────┘ │ └──────────────┘ 单二进制文件部署，无外部依赖。

特点：Rust 实现、性能卓越、部署极简。单二进制搞定一切。

Chroma（轻量级）

┌──────────────┐ │ Chroma │ │ ┌────────┐ │ │ │SQLite │ │ ← 数据持久化 │ │+ HNSW │ │ ← 内存向量索引 │ └────────┘ │ └──────────────┘ pip install chromadb 即可使用。

特点：极简、开发友好、不适合生产大规模场景。

性能基准

测试条件：100 万 768 维向量，余弦距离，Top-10 检索，单机（32 核，128GB RAM，NVMe SSD）

注意：这是单机测试。Milvus 的强项在分布式，多节点下 QPS 可以线性扩展。

核心功能对比

标量过滤（Filter Search）

这是向量数据库最重要的实用功能——先按标签筛选，再搜向量。

# Milvusmilvus_client.search(collection_name="docs",data=[query_vector],limit=10,expr="category == 'technology' && view_count > 1000",)# Qdrantqdrant_client.search(collection_name="docs",query_vector=query_vector,limit=10,query_filter=models.Filter(must=[models.FieldCondition(key="category",match=models.MatchValue(value="technology")),models.FieldCondition(key="view_count",range=models.Range(gte=1000)),]),)# Chromachroma_collection.query(query_embeddings=[query_vector],n_results=10,where={"category":"technology","view_count":{"$gte":1000}},)

标量过滤性能：

• Qdrant > Milvus > Chroma
• Qdrant 的 payload 索引用内存维护，过滤几乎无开销
• Milvus 在复杂过滤条件下延迟会明显上升
• Chroma 在 10 万级数据以上过滤性能急剧下降

混合检索（Hybrid Search）

# Qdrant —— 原生支持fromqdrant_clientimportQdrantClientfromqdrant_client.modelsimport(HybridFusion,FusionQuery,Prefetch,)qdrant_client.search(collection_name="docs",query_vector=QueryVector(FusionQuery(prefetch=[Prefetch(query=query_vector,limit=50,),Prefetch(query="search keywords",limit=50,),],fusion=HybridFusion.RRF,)),limit=10,)# Milvus —— 需要自己实现混合# 分别做向量检索和 BM25 检索，然后 RRF 合并在应用层

Qdrant 是三者中唯一原生支持混合检索的，Milvus 和 Chroma 需要在应用层手动实现 RRF 合并。

数据持久化与备份

部署运维

部署复杂度

Milvus: docker-compose 启动 7 个服务 Qdrant: docker run qdrant/qdrant Chroma: pip install chromadb

资源占用

实战部署（Docker Compose）

Qdrant（最轻量）：

# docker-compose.ymlservices:qdrant:image:qdrant/qdrant:latestports:-"6333:6333"-"6334:6334"volumes:-./qdrant_storage:/qdrant/storageenvironment:-QDRANT__SERVICE__GRPC_PORT=6334

Milvus（生产级）：

# docker-compose.ymlservices:etcd:image:quay.io/coreos/etcd:v3.5.5minio:image:minio/minio:latestmilvus:image:milvusdb/milvus:v2.4.0ports:["19530:19530"]depends_on:[etcd,minio]

选型决策树

你的场景是？ ├── 原型验证 / 学习 / 数据量 < 10 万 │ └── Chroma（最简、最快上手） │ ├── 生产环境 / 数据量 10 万 - 1000 万 │ ├── 需要极简部署、高性能 → Qdrant │ ├── 需要混合检索原生支持 → Qdrant │ └── 需要分布式扩展 → Milvus │ ├── 生产环境 / 数据量 > 1000 万 │ └── Milvus（唯一成熟的分布式方案） │ ├── 需要标量过滤（Filter Search） │ └── Qdrant > Milvus > Chroma │ └── 边缘设备 / 嵌入式场景 └── Qdrant（Rust 编译，二进制仅 30MB）

迁移方案

从 Chroma 迁移到 Qdrant：

# 导出 Chroma 数据importchromadb chroma_client=chromadb.PersistentClient(path="./chroma_data")collection=chroma_client.get_collection("docs")all_data=collection.get(include=["embeddings","documents","metadatas"])# 导入到 Qdrantfromqdrant_clientimportQdrantClientfromqdrant_client.modelsimportPointStruct qdrant=QdrantClient("localhost:6333")qdrant.create_collection(collection_name="docs",vectors_config=models.VectorParams(size=768,distance=models.Distance.COSINE),)points=[PointStruct(id=idx,vector=emb.tolist(),payload={"text":all_data["documents"][idx],**all_data["metadatas"][idx]},)foridx,embinenumerate(all_data["embeddings"])]qdrant.upsert(collection_name="docs",points=points)

总结

• 快速原型：Chroma（pip install 一秒上手）
• 生产单机：Qdrant（高性能、极简运维、混合检索原生支持）
• 生产分布式：Milvus（功能最全、扩展性最强）
• 核心关注点：标量过滤性能 > 检索精度 > 写入速度 > 部署复杂度

我的个人建议：大部分团队从 Qdrant 开始。它用 Rust 实现，单机性能碾压，运维几乎零成本，需要扩展时也支持分布式。

觉得有用？点赞 + 收藏 + 关注。