2026 年向量数据库选型

Meta Description：在 500 万向量规模上实测了这三个。延迟、吞吐量、内存占用、配置难度。什么时候该跳过向量数据库改用 SQLite FTS5。

向量数据库这个领域在 2026 年格局已定。Qdrant、Weaviate、Milvus 三足鼎立。这篇文章在 500 万向量负载下实测这三个，告诉你什么场景该用哪个——以及什么时候该完全跳过向量数据库。

⚡ 太长不看 #

Qdrant：配置最简单，单节点最快。个人/小团队做 RAG 的首选。

Weaviate：混合搜索（向量+关键词+过滤）最强。适合有复杂查询需求的生产环境。

Milvus：水平扩展能力最强。适合十亿级向量负载。

如果文档量 < 1 万，跳过向量数据库——SQLite FTS5 往往更划算。

测试环境 #

• 500 万向量，768 维（BGE-large 嵌入）
• 混合了纯相似度查询和带过滤条件的查询
• 单台虚拟机：16 vCPU，64GB 内存，1TB NVMe
• 100 个并发客户端

结果 #

延迟（p95，毫秒） #

结论：纯相似度搜索 Qdrant 最快。过滤+混合搜索 Weaviate 胜出。

吞吐量（p95 < 50ms 时的每秒查询数） #

结论：单节点 Qdrant 最快。多节点规模下 Milvus 能追上来。

500 万向量时的内存占用 #

结论：Qdrant 内存效率最高。

配置耗时 #

结论：Qdrant 最简单。Milvus 最复杂。

什么时候该完全跳过向量数据库 #

文档量在 1 万以下时，SQLite FTS5 往往表现更好，原因如下：

• BM25 + 关键词匹配已经能很好地处理大多数实际检索场景
• 运维复杂度低 100 倍（一个文件，不需要服务器）
• 查询延迟 < 1ms
• 除了文件本身几乎没有内存开销

先试试这个：

import sqlite3
conn = sqlite3.connect("docs.db")
conn.execute("CREATE VIRTUAL TABLE docs USING fts5(title, content)")
# 插入文档，用 MATCH 操作符查询

文档量超过 5 万，或者语义相似度（而不是关键词）很重要时，再切换到向量数据库。

三选一该怎么选 #

单节点、简单 RAG、小团队 → Qdrant
需要混合搜索（向量+关键词+过滤） → Weaviate
多节点、十亿级以上向量 → Milvus
已经在用 Postgres → pgvector（约 100 万向量以内）
文档量 < 1 万 → SQLite FTS5

推荐基础设施 #

对于向量数据库托管：

• DigitalOcean — 200 美元额度，带 NVMe 的 Droplet
• HTStack — 香港 VPS，亚洲低延迟查询

联盟链接——同样的价格，支持 dibi8.com。

结语 #

这三个向量数据库在 2026 年都已经是生产就绪的状态。按负载类型来选：追求简单选 Qdrant，混合搜索选 Weaviate，十亿级规模选 Milvus。小规模语料库完全可以跳过它们——SQLite FTS5 在简洁性上胜出，而且往往已经够用。

真正的教训是：大多数团队都把自己的检索层过度设计了。先用能跑通的最简单方案起步，等你真的测出了明确的天花板再升级。向量数据库的复杂度，只有在超过"简单工具"够用的临界点之后才值得。

相关文章：RAG vs 微调 2026 决策框架 · 向量数据库对比 · 2026 年 MCP 服务器排行榜

参考与来源 #

• Qdrant
• Weaviate
• Milvus
• pgvector
• SQLite FTS5