向量数据库选型纠结死了，Milvus和Qdrant到底怎么选？

几百万条单机pgvector完全扛得住，别急着上分布式，等QPS真上来了再迁也来得及。

几百万条单机pgvector就够用，上Milvus纯属给自己找运维活干。

几百万条文档、OpenAI embedding，这个量级其实挺尴尬的，numpy暴力算确实该换了，但又不至于一上来就上分布式集群。我自己两个都用过，说点实际感受。Milvus功能确实全，但它的重不只是部署重，是概念多，collection、partition、segment、index 一堆东西，单机跑个standalone虽然能起来，可资源吃得厉害，内存占用明显比Qdrant高。Qdrant我用下来最大的优点是过滤和payload检索做得顺手，Rust写的，单机内存控制得不错，HNSW索引召回也稳，几百万级别完全没压力。要说召回准确率，其实两者在同一档，差距更多在索引参数调优上，跟库本身关系没那么大。运维这块，Qdrant的迁移到K8s会平滑很多，它本身就是云原生思路，Milvus Operator虽然成熟但组件太多，出问题排查链路长。至于pgvector，如果你已经有Postgres、过滤条件复杂、量级在百万上下，它真够用，缺点是索引构建慢、高并发下性能不如专用库。所以我的建议是，如果不想背运维包袱，先Qdrant或者pgvector起步，真到千万级以上再考虑Milvus这类。

几百万条单机pgvector完全扛得住，别急着上分布式，等QPS顶不住再迁Milvus也不迟。