Milvus 2.4 与 Qdrant 1.9 向量库选型对比:千万级商品检索部署与性能实测
团队要把 1200 万条商品向量(768 维)从 Elasticsearch 迁到专用向量库,候选是 Milvus 2.4.1 和 Qdrant 1.9.2。我在 8C32G 单机和 3 节点集群上分别跑了部署、写入、召回率和 P99 延迟测试:Qdrant 单机 QPS 高出约 42%,但 Milvus 在 3 节点横向扩展后反超,内存占用也低 30%。本文给出完整部署脚本、压测代码和选型结论。

Techlearner,保持学习,也坚持亲手验证,主要关注Vue前端开发,分享框架实践、性能优化及真实项目复盘;偏爱把复杂问题拆成清晰步骤。技术会变化,解决问题的方法值得长期积累。
团队要把 1200 万条商品向量(768 维)从 Elasticsearch 迁到专用向量库,候选是 Milvus 2.4.1 和 Qdrant 1.9.2。我在 8C32G 单机和 3 节点集群上分别跑了部署、写入、召回率和 P99 延迟测试:Qdrant 单机 QPS 高出约 42%,但 Milvus 在 3 节点横向扩展后反超,内存占用也低 30%。本文给出完整部署脚本、压测代码和选型结论。
线上一个FastAPI查询接口P99响应时间800ms,QPS一过50就开始堆积。本文用py-spy和cProfile定位到瓶颈是一段N+1的SQLAlchemy查询加上缺失的索引,配合Redis缓存和连接池调优后,P99降到45ms,单机QPS从50提升到620。文中包含完整的profiling过程、优化代码和Locust压测数据对比,适合正在被接口慢查询折磨的后端同学。