3. 向量数据库选型：Milvus、Pinecone、Qdrant、Weaviate 对比
选型这件事，说白了就是找最趁手的工具。我在做流批一体架构时，向量数据库的选型卡了整整两周。不是技术难，而是每个库都有自己的脾气。今天我把四个主流选手——Milvus、Pinecone、Qdrant、Weaviate——掰开揉碎讲清楚。
3.1 四款数据库核心差异
先看一张对比表，心里有个底。
| 维度 | Milvus | Pinecone | Qdrant | Weaviate |
|---|---|---|---|---|
| 开源/商业 | 开源（Apache 2.0） | 商业（SaaS） | 开源（Apache 2.0） | 开源（BSD-3） |
| 核心语言 | Go + C++ | Rust + C++ | Rust | Go |
| 索引算法 | IVF、HNSW、DiskANN | 专有（HNSW 变体） | HNSW、Payload 索引 | HNSW、自定义 |
| 标量过滤 | 支持（需配合索引） | 支持（元数据过滤） | 原生强支持 | 支持（GraphQL 查询） |
| 流式写入 | 支持（批量 + 流式） | 支持（实时） | 支持（实时） | 支持（批量为主） |
| 部署复杂度 | 高（依赖 etcd、MinIO） | 零（全托管） | 低（单二进制） | 中（依赖 Docker） |
我的建议： 如果你团队有运维能力，Milvus 是功能最全的；如果只想快速验证，Pinecone 最省心；如果对标量过滤要求高，Qdrant 是黑马；如果要做知识图谱 + 向量，Weaviate 更合适。
3.2 选型考量因素
选型不能只看功能列表。我习惯从三个维度切入：性能、成本、生态。每个维度都有坑。
3.2.1 性能
性能不是单纯的 QPS。我在项目中遇到过一个问题：Milvus 在 95% 分位延迟上表现很好，但写入高峰时抖动明显。后来发现是索引构建线程和写入线程抢 CPU。
- 查询延迟： HNSW 算法普遍在 10ms 以内，但数据量超过 1 亿后，Milvus 的 DiskANN 更有优势。
- 写入吞吐： Qdrant 的 Rust 实现让单机写入能达到 10w+ QPS，Pinecone 的 SaaS 架构写入延迟稳定但上限受配额限制。
- 标量过滤： 这是最容易忽略的点。Qdrant 的 Payload 索引让过滤 + 向量检索一步到位，Milvus 需要额外建标量索引。
避坑指南： 我曾经在流批一体场景里用 Milvus 做实时写入，结果索引构建跟不上写入速度，导致查询返回空结果。后来改用 Qdrant 的流式写入 + 异步索引，问题才解决。
3.2.2 成本
成本分两块：基础设施和运维人力。
| 数据库 | 基础设施成本 | 运维成本 | 适合场景 |
|---|---|---|---|
| Milvus | 高（需要 etcd、MinIO、Pulsar） | 高（组件多，调优复杂） | 大规模、自建集群 |
| Pinecone | 中（按 Pod 付费） | 低（全托管） | 快速原型、中小规模 |
| Qdrant | 低（单机可跑） | 低（部署简单） | 中小规模、边缘部署 |
| Weaviate | 中（依赖 Docker） | 中（模块多） | 知识图谱 + 向量 |
嗯，这里要注意：Pinecone 看起来便宜，但数据量大了之后 Pod 费用会线性增长。我有个朋友做推荐系统，数据量到 5000 万时，月费直接翻了三倍。
3.2.3 生态
生态决定了你能多快把数据库用起来。
- Milvus： 社区最活跃，有 Attu 可视化工具，支持 Spark、Flink 集成。流批一体场景首选。
- Pinecone： 文档最友好，SDK 覆盖 Python、Node、Go。但开源生态弱，没法二次开发。
- Qdrant： Rust 生态，性能极致。有 Web UI，但功能简单。
- Weaviate： 内置向量化模块，支持 、Cohere 等模型。适合做 RAG 应用。
3.3 部署模式：云端 vs 本地
部署模式决定了你的运维策略。我习惯按数据敏感度和团队能力来选。
3.3.1 云端部署
适合快速验证、数据量不大、不想管运维的团队。
- Pinecone： 纯 SaaS，开箱即用。我用来做 PoC 项目，一周上线。
- Milvus Cloud： Zilliz 提供的托管服务，功能与开源版一致。
- Qdrant Cloud： 支持按需付费，但节点较少。
- Weaviate Cloud： 集成度高，适合 AI 应用。
注意： 云端部署的数据传输延迟和网络带宽是瓶颈。我遇到过 Pinecone 在跨区域查询时延迟飙到 200ms，后来改用同区域部署才降到 20ms。
3.3.2 本地部署
适合数据敏感、需要定制化、大规模集群的场景。
- Milvus： 支持 Kubernetes 部署，组件多但灵活。我习惯用 Helm Chart 一键部署。
- Qdrant： 单二进制文件，部署最简单。适合边缘设备或小团队。
- Weaviate： Docker Compose 即可启动，适合开发环境。
你想想看，如果数据量在 1000 万以下，Qdrant 单机完全够用。超过 1 亿，Milvus 的分布式能力就体现出来了。
3.4 选型决策流程图
下面这张图是我做选型时的决策路径，分享给你。
3.5 我的选型建议
最后给个总结性的建议，不绕弯子。
- 流批一体 + 大规模： Milvus。虽然部署复杂，但 Flink 集成和 DiskANN 索引是杀手锏。
- 快速原型 + 小规模： Pinecone。别纠结，先跑起来再说。
- 标量过滤 + 实时写入： Qdrant。Rust 的性能不是吹的。
- 知识图谱 + RAG： Weaviate。内置向量化模块省很多事。
我的经验： 选型没有银弹。我习惯先做 PoC，用真实数据跑一周，看延迟、吞吐、稳定性。纸上谈兵不如跑一次。