{{< resource-info >}}

Lựa Chọn Vector DB 2026: Qdrant vs Weaviate vs Milvus #

Meta Description: Đã test cả ba trên 5 triệu vector. Độ trễ, throughput, bộ nhớ, độ phức tạp cài đặt. Khi nào nên bỏ qua vector DB để dùng SQLite FTS5.

Thị trường vector DB đã ổn định trong năm 2026. Qdrant, Weaviate, Milvus thống trị. Bài viết này test cả ba trên workload 5 triệu vector và cho bạn biết khi nào nên dùng cái nào — cùng với thời điểm nên bỏ qua vector DB hoàn toàn.

⚡ TL;DR #

Qdrant: cài đặt đơn giản nhất, nhanh nhất trên một node. Tốt nhất cho RAG cá nhân/đội nhỏ.

Weaviate: hybrid search tốt nhất (vector + keyword + filter). Tốt nhất cho production có truy vấn phức tạp.

Milvus: mở rộng ngang tốt nhất. Tốt nhất cho workload tỷ vector.

Bỏ qua vector DB nếu dưới 10K tài liệu — SQLite FTS5 thường thắng.

Cấu Hình Test #

• 5 triệu vector, 768 chiều (BGE-large embedding)
• Trộn truy vấn similarity thuần + truy vấn có filter
• VM duy nhất: 16 vCPU, 64GB RAM, 1TB NVMe
• 100 client đồng thời

Kết Quả #

Độ trễ (p95, ms) #

Kết luận: Qdrant nhanh nhất cho similarity thuần. Weaviate thắng ở filter và hybrid.

Throughput (queries/giây khi p95 < 50ms) #

Kết luận: Qdrant nhanh nhất trên một node. Milvus đuổi kịp ở quy mô đa node.

Bộ nhớ với 5 triệu vector #

Kết luận: Qdrant tiết kiệm bộ nhớ nhất.

Thời gian cài đặt #

Kết luận: Qdrant dễ nhất. Milvus phức tạp nhất.

Khi Nào Nên Bỏ Qua Vector DB Hoàn Toàn #

Dưới 10K tài liệu, SQLite FTS5 thường vượt vector DB vì các lý do sau:

• BM25 + keyword match xử lý tốt hầu hết tình huống truy vấn thực tế
• Vận hành đơn giản hơn 100 lần (một file, không cần server)
• Độ trễ truy vấn < 1ms
• Không có overhead bộ nhớ ngoài chính file

Thử cái này trước:

import sqlite3
conn = sqlite3.connect("docs.db")
conn.execute("CREATE VIRTUAL TABLE docs USING fts5(title, content)")
# Insert tài liệu, truy vấn bằng toán tử MATCH

Khi vượt 50K tài liệu hoặc khi sự tương đồng ngữ nghĩa (không phải keyword) trở nên quan trọng, hãy chuyển sang vector DB.

Chọn Giữa Ba Cái #

Một node, RAG đơn giản, đội nhỏ → Qdrant
Cần hybrid search (vector + keyword + filter) → Weaviate
Đa node, từ tỷ vector trở lên → Milvus
Đã có Postgres → pgvector (đến khoảng 1 triệu vector)
< 10K tài liệu → SQLite FTS5

Hạ Tầng Đề Xuất #

Cho hosting vector DB:

• DigitalOcean — $200 credit, droplet NVMe
• HTStack — VPS Hong Kong cho truy vấn độ trễ thấp ở châu Á

Affiliate link — cùng giá, ủng hộ dibi8.com.

Kết Luận #

Cả ba vector DB đều sẵn sàng cho production trong năm 2026. Chọn theo workload: Qdrant cho sự đơn giản, Weaviate cho hybrid search, Milvus cho quy mô tỷ vector. Bỏ qua chúng hoàn toàn với corpus nhỏ — SQLite FTS5 thắng về sự đơn giản và thường đã đủ dùng.

Bài học thực sự: hầu hết các đội thiết kế quá mức tầng retrieval của mình. Bắt đầu từ thứ đơn giản nhất chạy được, nâng cấp khi bạn đo được trần thực sự. Vector DB chỉ xứng đáng với độ phức tạp của nó khi vượt qua ngưỡng của công cụ đơn giản.

Bài liên quan: Khung Quyết Định RAG vs Fine-Tuning 2026 · So Sánh Vector Database · Bảng Xếp Hạng MCP Server 2026