illegalCreed

中文

English

中文

English

Appearance

参考 ​

基于 Pinecone / Milvus / pgvector / Qdrant / Weaviate / Chroma 官方文档 2026 编写。完整 API 见各库文档。

各库核心特性对比 ​

库语言部署默认索引混合检索元数据过滤
Pinecone闭源托管 SaaS / serverless内部托管原生强（namespaces + filter）
MilvusGo自托管 + 托管(Zilliz)FLAT/IVF/HNSW/DISKANNdense+sparsepartition + expr
WeaviateGo自托管 + 云HNSW原生 hybrid (RRF)强（where filter）
QdrantRust自托管 + 云HNSWdense+sparse (RRF)强（payload filter）
ChromaPython嵌入式 / 服务器HNSW全文+向量（v0.5+）where
pgvectorC (PG ext)复用 PostgresHNSW / IVFFlat需手动配 tsvectorSQL WHERE

距离度量与对应操作符 ​

度量公式PineconeMilvusQdrantpgvector 操作符
余弦 cosine1 - cos(θ)cosineCOSINECosine<=>（vector_cosine_ops）
L2 欧氏sqrt(Σ(Δ)²)euclideanL2Euclid<->（vector_l2_ops）
内积A·BdotproductIPDot<#>（vector_ip_ops，负内积）

Milvus 索引矩阵 ​

索引类型内存召回构建速度最佳场景
FLAT精确最高100%快< 10 万，要求精确
IVF_FLAT近似高高中大规模，速度召回均衡
IVF_SQ8近似（标量量化）中良中内存吃紧
IVF_PQ近似（乘积量化）最低较低中极致省内存
HNSW近似（图）高很高慢低延迟高召回
DISKANN近似（磁盘图）低（RAM）高慢海量（超 RAM）

HNSW 参数 ​

库参数名默认说明
MilvusM16邻居数
MilvusefConstruction200建图候选
Milvusef（查询）64查询候选
pgvectorm16邻居数
pgvectoref_construction64建图候选
pgvectorhnsw.ef_search（GUC）40查询候选
Qdrantm16邻居数
Qdrantef_construct100建图候选
Qdrantef（查询 search_params）128查询候选

IVF / IVFFlat 参数 ​

库参数经验值
Milvus nlist聚类桶数sqrt(N)-4*sqrt(N)
Milvus nprobe（查询）探测桶数nlist 的 1%-5%
pgvector lists聚类桶数N/1000，至少 10
pgvector ivfflat.probes（GUC）探测桶数1（默认，常需调高）

Pinecone ​

创建 serverless 索引 ​

python
from pinecone import Pinecone, ServerlessSpec

pc = Pinecone(api_key=os.getenv("PINECONE_API_KEY"))
pc.create_index(
    name="docs",
    dimension=1536,
    metric="cosine",          # cosine | dotproduct | euclidean
    spec=ServerlessSpec(cloud="aws", region="us-east-1"),
)

查询 ​

python
index = pc.Index("docs")
res = index.query(
    vector=[0.1, ...],
    top_k=10,
    include_metadata=True,
    filter={"category": {"$eq": "faq"}, "year": {"$gte": 2024}},
    namespace="tenant_a",   # 多租户隔离
)

特性 ​

  • serverless：按存储 + 查询付费，自动扩缩
  • pod（s1/p1/p2）：2025-08 停售新户，老户仍可用，p99 ~30ms
  • namespaces：逻辑隔离，适合多租户
  • hybrid search：dense + sparse 同查

Milvus ​

创建集合 ​

python
from pymilvus import MilvusClient

client = MilvusClient(uri="http://localhost:19530")  # 或 "milvus.db" (Lite)
client.create_collection(
    collection_name="docs",
    dimension=1536,
    metric_type="COSINE",
    index_type="HNSW",
    index_params={"M": 16, "efConstruction": 200},
)

部署形态 ​

形态说明
Milvus Lite嵌入 Python 进程，本地开发
Milvus Standalone单机 Docker
Milvus DistributedK8s 集群
Zilliz Cloud托管版

pgvector ​

安装 ​

sql
CREATE EXTENSION IF NOT EXISTS vector;

索引语法 ​

sql
-- HNSW（推荐）
CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops)
  WITH (m = 16, ef_construction = 200);

-- IVFFlat（构建快，省内存）
CREATE INDEX ON docs USING ivfflat (embedding vector_cosine_ops)
  WITH (lists = 100);

-- 在线重建（不停服）
CREATE INDEX CONCURRENTLY ON docs USING hnsw (embedding vector_cosine_ops);

查询操作符 ​

操作符含义配对 opclass
<->L2 欧氏距离vector_l2_ops
<#>负内积vector_ip_ops
<=>余弦距离vector_cosine_ops
sql
-- 余弦最近邻
SELECT id, embedding <=> '[0.1,...]'::vector AS dist
FROM docs ORDER BY embedding <=> '[0.1,...]'::vector LIMIT 10;

-- 验证走索引
EXPLAIN SELECT id FROM docs ORDER BY embedding <=> '[0.1,...]'::vector LIMIT 10;

关键 GUC ​

GUC默认说明
hnsw.ef_search40HNSW 查询召回
ivfflat.probes1IVFFlat 探测桶数
maintenance_work_mem64MB建索引内存，建议提到 1GB+

Weaviate ​

混合检索 ​

python
result = collection.query.hybrid(
    query="如何重置密码",
    alpha=0.5,            # 0=纯BM25，1=纯dense
    limit=10,
    filters=Filter.by_property("category").equal("faq"),
)

索引 ​

  • 默认 HNSW（dense）
  • 倒排索引（BM25 / sparse）
  • hybrid = BM25 + dense + RRF 融合

Qdrant ​

创建集合 ​

python
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams

client = QdrantClient(":memory:")
client.create_collection("docs",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE))

Payload 过滤 ​

python
client.search("docs", query_vector=[...], limit=5,
    query_filter={
        "must": [
            {"key": "category", "match": {"value": "faq"}},
            {"key": "year", "range": {"gte": 2024}},
        ]
    })

混合检索 ​

python
client.query_points("docs",
    prefetch=[
        models.PrefetchQuery(query=[...], using="dense", limit=20),
        models.PrefetchQuery(query=sparse_vec, using="sparse", limit=20),
    ],
    query=models.FusionQuery(fusion=models.Fusion.RRF),
    limit=10,
)

Chroma ​

python
import chromadb

client = chromadb.PersistentClient(path="./chroma_db")
collection = client.get_or_create_collection("docs")

# 不传 embeddings 自动用默认模型
collection.add(documents=["..."], ids=["1"], metadatas=[{"src": "a"}])

# 查询
res = collection.query(query_texts=["相关问题"], n_results=5,
    where={"src": "a"})

选型决策矩阵 ​

维度PineconeMilvusWeaviateQdrantChromapgvector
托管serverlessZillizCloudCloud有有(各云)
自建✗✓✓✓✓（嵌入式）✓
规模上限大极大大大中中
索引丰富度内部托管最全HNSW+倒排HNSWHNSWHNSW/IVFFlat
混合检索原生dense+sparse原生 hybriddense+sparse全文+向量手动配
多租户namespacespartition类collectioncollectionschema
复用现有 DB✗✗✗✗✗Postgres
上手难度低中中低极低低（懂 PG）

资源链接 ​