向量数据库选型纠结死了，Milvus和Qdrant到底怎么选？

几百万的量级真没必要一上来就上Milvus，部署运维够你喝一壶的。我们之前也是FAISS起步，后来直接换pgvector了，反正本来就靠PG，少维护一个组件，过滤查询也好写，HNSW参数默认值先跑着，等性能瓶颈了再调不迟。Qdrant我也试过，轻量是真轻量，但你要的实时写入和复杂过滤它其实也能扛，就是社区案例少点，遇到问题得自己翻源码。反正别被“生态成熟度”吓住，你这数据量PG完全hold住，真到了千万级以上再考虑迁移不晚。

几百万量级真的不用纠结，pgvector足够扛住，而且你们本来就用PG，少维护一个组件省太多事了。之前我们也是FAISS起步，后来直接切pgvector，HNSW参数就调m和ef_search，实测召回率差不到1%。Milvus和Qdrant都试过，前者运维成本确实高，后者API挺好但跟PG的JOIN查询联动起来很别扭。实时写入的话注意下PG的vacuum策略，别让死元组拖垮查询就行。

几百万这个量级pgvector其实挺够用的，你们本来就有PG，运维成本最低，省得再搭一套。不过实时写入频繁的话要留意索引重建和vacuum的开销，最好先压测下。Qdrant我也用过，轻是真轻，过滤查询性能不错，生态确实还差点意思。HNSW的m和ef_construction别照搬默认值，拿你们自己的数据跑个小网格搜一下，一般m=16到32、ef_construction=200左右就够，别太迷信调参。

几百万这个量级其实pgvector完全扛得住，HNSW索引加上去查询延迟也很稳，你们已经在用PG的话省了运维一套新组件的成本。Milvus功能确实全但独立部署那套etcd加MinIO加Pulsar的组合，小团队维护起来真挺累的。Qdrant我用过一段时间，单机性能不错过滤也灵活，就是周边工具和文档确实没Milvus那么厚。HNSW的m和ef_construction别太纠结，先把ef_search调大点保召回，再慢慢压延迟就行。

几百万数据pgvector够用了，你们又有PG运维底子，省心。HNSW的m和ef_construction多试几组，别迷信默认值。

几百万数据pgvector够用了，省得再维护一套，HNSW的m和efConstruction多试几组就有感觉了。

几百万这个量级pgvector其实完全扛得住，HNSW索引建好查询延迟也很低，关键是你们团队已经在用PostgreSQL，运维成本几乎为零，省下来的精力够调好几轮参数了。Qdrant我也用过，过滤查询确实比Milvus顺手，但真要上生产，生态和文档这块还是得自己多填坑。HNSW那个m和ef_construction别一上来就拉满，先从m=16、ef_construction=200试，ef_search根据召回率慢慢往上加，比瞎调靠谱多了。

几百万量级其实pgvector完全扛得住，我们线上就是PG+pgvector跑的RAG，数据量比你还大一截，配合HNSW索引查询延迟稳定在几十毫秒。省事是真的省事，事务、过滤、备份这些直接复用现有PG运维体系，不用再养一套中间件。但要注意pgvector的HNSW索引构建比较吃内存，参数上m和ef_construction得根据你的维度调，ef_search运行时可以动态改，这块比Milvus的调参直观一些。Qdrant我测过，单机性能很猛，过滤查询设计得也顺手，就是生态和文档确实还在追赶，团队如果没人愿意啃源码，出问题会比较被动。Milvus功能是真全，但etcd、minio、pulsar那一套部署下来，小团队维护成本不低，除非你们已经有K8s基建。HNSW调参别太迷信，先把m设16、ef_construction设200跑个baseline，再拿真实query测recall和延迟的tradeoff，比瞎试靠谱。如果过滤条件复杂且写入频繁，Qdrant的payload索引值得认真考虑一下。

几百万数据pgvector完全够用，省得再维护一套，HNSW的m和ef_search慢慢试就行。

几百万这个量级其实pgvector完全扛得住，我们线上就是PG+pgvector跑着差不多五百万条，配HNSW索引查询延迟基本在几十毫秒，过滤条件直接走SQL的where，省了同步数据的破事。但要注意pgvector的HNSW索引内存占用挺凶的，shared_buffers和maintenance_work_mem得调好，不然建索引能等到怀疑人生。Milvus功能确实全，可独立部署那套etcd、pulsar、minio的组合对中小团队来说运维成本真不低，除非你们已经有K8s基建。Qdrant我用过一阵，单机性能很猛，过滤也灵活，就是生态和文档相比前两个还是薄一点，遇到坑得自己啃源码。HNSW调参别太迷信，m和ef_construction先按16和200起步，ef_search根据召回率慢慢加，与其纠结参数不如把embedding质量和分块策略做好。如果你们PG已经在跑且没什么极端性能要求，我建议先上pgvector快速验证，真到瓶颈再迁也不迟。

几百万这个量级其实pgvector完全扛得住，你们既然已经在用PG，省一套运维是真的香，实时写入和过滤用SQL就能搞定。但Qdrant的过滤性能确实比pgvector强不少，尤其是带payload条件那种场景，我实测差距挺明显。HNSW的m和ef_construct别调太猛，先m=16、ef_construct=100跑baseline，召回不够再往上加，ef_search才是查询时调 recall 的关键。建议先拿pgvector快速验证，真到瓶颈再迁Qdrant也不迟。

几百万条用pgvector完全够，省得维护两套系统，HNSW把m调大点ef搜高点就行。

几百万数据pgvector够用了，省得再维护一套组件；HNSW的m和ef_construction先按16和200试，再微调。

几百万这个量级pgvector其实完全扛得住，你们已经在用PG的话运维成本最低，先跑起来再说。不过实时写入频繁的话得注意vacuum和索引重建的节奏，不然查询会突然变慢。HNSW那个m和ef_construction别太纠结，先用m=16、ef_construction=200跑baseline，再根据召回率微调ef_search就行。真要上千万级再考虑迁Milvus也不迟，Qdrant我用下来过滤性能确实不错但社区案例还是少一些。