一、问题背景：业务场景与选型困惑

我们有一个面向电商的“以图搜图”服务，向量维度128，数据量约1200万条。业务特点：读多写少（写入集中在每日凌晨的增量任务），查询延迟敏感（接口要求P99 QueryNode -> DataNode），导致尾部延迟差。

七、总结与选型建议

在这个业务场景下，我们最终选择了Qdrant。核心原因：查询延迟是硬指标，且我们的写入量不大（每日增量约50万条），Milvus的写入优势无法抵消查询劣势。但如果你面临海量实时写入（每秒数千条） 且查询QPS不高，Milvus的分布式扩展能力是更好的选择。

最后说点题外话：向量数据库的性能与数据分布强相关，本文的测试数据基于随机向量（余弦距离区分度中等）。如果你的数据存在明显的“热点簇”，效果可能不同。建议选型前用真实业务数据做一次同样的压测，别信任何人的“评测报告”包括本文。