向量数据库和普通索引都能做相似度搜索，有必要上专门的库吗？

几十万这个量级pgvector确实够用，我们百万出头的数据用HNSW索引延迟也还能接受，主要看内存给够没。但真到千万级就得提前做分片或者迁移的打算了，不然光建索引就能卡到你怀疑人生。专用库不一定非要GPU，Qdrant纯CPU跑也还行，GPU主要是批量建索引和超高并发时才明显。建议先压测一下再决定，别为了还没发生的瓶颈提前上复杂度。

几十万pgvector够用了，千万级再迁移也不迟，Milvus这些不上GPU也能跑，别被文章忽悠。

几十万这个量级 pgvector 确实够用，我自己的项目差不多也是这个规模，ivfflat 索引调好 probes 之后延迟基本稳定在几十毫秒，没必要为了“以后可能”提前上分布式。真正到千万级会不会崩，关键看你的维度和查询并发，单表千万条 768 维、还要带过滤条件的话，pgvector 的召回和延迟都会肉眼可见地掉，这时候 HNSW 索引内存吃紧、建索引也慢得让人难受。我做过百万级的对比，Qdrant 和 Milvus 在这种规模下的优势主要是分片、量化压缩和过滤下推，不是说 pgvector 不能用，而是你得自己扛运维和调优成本。另外专用库不是必须配 GPU，CPU 上跑 HNSW 照样能用，GPU 更多是给超大规模、高并发或者要极致低延迟的场景准备的，小集群上 GPU 性价比其实一般。所以我的建议是早期别急着换，把 pgvector 的索引参数和查询模式摸透，等真到了百万以上、或者过滤+高并发扛不住的时候再迁移，迁移成本也没想象中那么吓人。

几十万这个量级pgvector完全够用，别被那些推文吓到。我去年一个项目从50万涨到800万，中间确实遇到过分区扫描变慢的问题，但换成HNSW索引加上调大maintenance_work_mem之后，P99延迟也就几十毫秒，没到崩的程度。真正难受的是写入和更新，向量表一旦上了HNSW，每次插入都要重建图结构，批量导入得先删索引再重建，这点比专用库麻烦不少。Qdrant和Milvus我也试过，百万级召回确实稳，但它们多出来的运维成本不是白给的，光etcd和minio那套依赖就够喝一壶。至于GPU，除非你要做十亿级或者超低延迟，否则CPU加上量化就够了，专用库的优势更多在分布式分片和过滤搜索上，单机场景未必比pgvector香。我的建议是先用pgvector扛着，把表分区和索引参数调好，等真到千万级再考虑迁移，反正向量数据导出也不难。