{{< resource-info >}}

2026 向量数据库选型：Qdrant vs Weaviate vs Milvus #

Meta Description：在 500 万向量上同时实测三家。延迟、吞吐、内存、上手成本。什么时候应该直接用 SQLite FTS5 跳过向量数据库。

向量数据库赛道在 2026 年基本尘埃落定：Qdrant、Weaviate、Milvus 三家占据主导。本文在 500 万向量的真实负载上同时测了三家，告诉你各自适合的场景——以及什么时候连向量数据库都不需要。

⚡ TL;DR #

Qdrant：上手最简单，单机最快。适合个人和小团队 RAG。

Weaviate：混合检索（向量 + 关键词 + 过滤）最强。适合查询复杂的生产环境。

Milvus：水平扩展最强。适合十亿级负载。

跳过向量数据库：文档量低于 1 万时——SQLite FTS5 通常完胜。

测试环境 #

• 500 万向量，768 维（BGE-large embedding）
• 纯相似度查询 + 带过滤条件的查询混合
• 单台 VM：16 vCPU、64GB RAM、1TB NVMe
• 100 个并发客户端

实测结果 #

延迟（p95，单位 ms） #

结论：纯相似度查询 Qdrant 最快；带过滤和混合检索 Weaviate 胜出。

吞吐（p95 < 50ms 时的 QPS） #

结论：单机 Qdrant 最快；Milvus 要到多节点规模才能追上来。

500 万向量下的内存占用 #

结论：Qdrant 内存效率最高。

部署耗时 #

结论：Qdrant 最省事；Milvus 最复杂。

什么时候应该完全放弃向量数据库 #

文档数在 1 万以下时，SQLite FTS5 通常比向量数据库更好，原因如下：

• BM25 + 关键词匹配已经能很好地覆盖大多数实用检索场景
• 运维复杂度低 100 倍（一个文件搞定，不用起服务）
• 查询延迟 < 1ms
• 除文件本身外几乎没有内存开销

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，或者真的需要语义相似（不是关键词），再切换到向量数据库。

三家如何取舍 #

单机、简单 RAG、小团队 → Qdrant
需要混合检索（向量 + 关键词 + 过滤） → Weaviate
多节点、十亿级以上向量 → Milvus
本来就有 Postgres → pgvector（100 万向量以内）
文档量 < 1 万 → SQLite FTS5

推荐的基础设施 #

向量数据库托管推荐：

• DigitalOcean —— 送 $200 额度，NVMe 云主机
• HTStack —— 香港 VPS，亚洲低延迟查询

Affiliate 链接——价格相同，支持 dibi8.com。

结语 #

2026 年三家向量数据库都已经达到生产可用水平。按负载选型：Qdrant 求简单、Weaviate 求混合检索、Milvus 求十亿级规模。小语料就别用了——SQLite FTS5 在简单性上完胜，且通常已经够用。

真正的教训是：大多数团队都把检索层过度设计了。先从最简单能跑通的方案开始，等你测出真实瓶颈再升级。向量数据库的复杂度，只在简单工具到达天花板之后才值得引入。

相关阅读：2026 RAG vs Fine-Tuning 决策框架 · 向量数据库对比 · 2026 MCP 服务器排行榜