🔵 向量数据库：Pinecone / Milvus / Chroma 怎么选

RAG 的”地基”是向量数据库。选错了，整个 AI 应用都会慢、贵、还召不准。这一篇，给你 3 分钟搞定选型。

🔵 AI 通识专栏 · 第 30 期 📅 2026年8月6日 ✍️ 小敏说 AI

💡 本文要点：本文讲清向量数据库的作用、主流五家对比、个人 / 团队 / 企业三种场景如何选，以及一个常被忽略的”低成本替代方案”。

🎯 本文导读

🔹 向量数据库到底干什么
🔹 五家主流对比表
🔹 三类场景选型建议
🔹 被低估的方案：Postgres + pgvector
🔹 关键性能指标

一、🧠 它到底干什么

普通数据库存的是结构化字段（姓名、年龄）。向量数据库存的是一串数字（向量），并支持“找最相似的”。

普通查询：where city = '北京'
向量查询：找语义上最像"上海周边好玩的"的 10 条

💬 关键观点：它是 RAG 的”召回引擎”。召回准不准，几乎决定 RAG 的天花板。

二、📊 五家主流对比

数据库	类型	部署	强项	价格
Pinecone	闭源 SaaS	云	上手最快	中高
Milvus	开源	自部署/云	性能极强	自部署免费
Chroma	开源	本地/Python嵌入	小项目最爱	免费
Weaviate	开源	自部署/云	内置混合检索	中
Qdrant	开源	自部署/云	Rust 写的，极快	中

三、🎯 三类场景选型

个人 / 小项目（< 10 万条向量）

✅ Chroma：一行 pip install，直接跑

团队 / 创业（10 万 - 1000 万）

✅ Qdrant 或 Weaviate：开源、好运维、社区活跃

企业 / 海量（> 1000 万）

✅ Milvus 或 Pinecone：分布式、高可用

🎯 一句话总结：Chroma 起步 → Qdrant 中型 → Milvus 大型。

四、💎 被低估的方案：Postgres + pgvector

如果你公司已经在用 PostgreSQL：

直接装 pgvector 插件 → Postgres 立刻变向量数据库

优点	缺点
无需新增组件	性能不如专业向量库
SQL 直接查	千万级以上会吃力
运维 0 成本	高级功能少

⚠️ 大多数中型项目（< 500 万向量），pgvector 完全够用。

五、📐 性能关键指标

指标	含义
召回率	找到的有多少是真正相关的
延迟	一次查询要多久（毫秒级）
QPS	每秒能撑多少查询
索引构建	100 万向量要多久建好

⚠️ 重要提醒：召回率 > 速度 > 成本。召回错，AI 就开始胡说。

六、🛠 一段最简上手代码（Chroma）

import chromadb
client = chromadb.Client()
col = client.create_collection("my_docs")

col.add(
  documents=["公司年假是 15 天", "差旅报销 7 天内提交"],
  ids=["doc1", "doc2"]
)

results = col.query(
  query_texts=["年假多少天?"],
  n_results=2
)
print(results)

10 行代码 → 一个本地向量数据库就跑起来了。

七、❌ 常见误区

误区	真相
❌ 数据库越贵越好	✅ 小项目用 Chroma 完全够
❌ 向量维度越高越准	✅ 1024 维 vs 512 维差距很小
❌ 不需要混合检索	✅ 向量 + 关键字混合召回率高 10-30%
❌ 一次选定终身	✅ 项目长大可平滑迁移

八、🎁 选型决策树

< 10 万向量？ → Chroma
已有 Postgres？ → pgvector
中型团队？ → Qdrant / Weaviate
百万+ 高并发？ → Milvus / Pinecone

📮 今日话题：你了解的最有意思的”向量检索”应用是什么？

🔮 下一篇预告：ep31《Function Calling：AI 如何调用工具——从”会说”到”会做”的关键一步》

🔵 本系列是「小敏说 AI · AI 通识专栏」第 30 期。关注公众号 小敏说 AI，回复「AI 入门」领取《打工人 AI 自救工具箱》。