⚠️ 本文为公开资料整理版（占位）：基于三者官方文档与社区对比梳理，用于建立选型框架；本人尚未在同一数据集上完成三方横向压测，真实性能数据待补实践后替换。面试时可以据此讲清「选型逻辑」，但写进简历前请亲手跑一遍。

一、先想清楚要什么

选向量库前先问三个问题：

  1. 数据量多大？千级 / 百万级 / 亿级？
  2. 部署形态？单机嵌入式还是要分布式集群？
  3. 要不要和检索框架、重排、元数据过滤深度集成？

不同答案直接决定选型。

二、三者定位

  • Chroma：开发者友好，嵌入式起步，几行代码能跑，适合原型和小项目。代价是大规模下的运维能力弱。
  • Qdrant：Rust 实现，性能和内存效率高，过滤（payload）能力强，云托管成熟，适合中大型生产。
  • Milvus：面向海量（亿级）的分布式向量库，架构最重，运维成本高，但扩展性是三者最强。

三、对比速查

维度ChromaQdrantMilvus
起步成本极低（pip 即用）低（Docker）高（分布式）
单机性能中高高（规模取胜）
分布式弱中强
元数据过滤一般强强
适合阶段原型/小项目生产主力海量/企业

四、我的选型建议（逻辑，非实测）

  • 做 Demo / 个人项目 / 千到十万级：直接 Chroma，省心。
  • 要上生产、数据持续增长、重视过滤与延迟：Qdrant 是甜点区。
  • 真到了亿级、要横向扩展：Milvus。

五、一个常被忽略的点：和 RAG 管线的耦合

向量库不是孤立的——它要和你切分策略、embedding 模型、重排、元数据过滤一起调。我手搓 RAG 那篇强调过，检索层要先测准再谈生成。所以选型时也要看：支不支持按 metadata 过滤（比如只检索某类别的文档）、支不支持混合检索的分数融合。

六、待补的真实实践清单

  1. 同一份中文文档集，三方跑召回@10 + QPS 对比；
  2. 记录 Qdrant 在 12G 单机上的内存占用与上限；
  3. 测 metadata 过滤对延迟的影响。

实测完成后，这篇会改为「实战版」，结论以数据为准。