Milvus与Qdrant选型实测:千万级向量下的部署与性能对比
在电商以图搜图业务中,我们需在千万级(10,000,000) 768维向量下实现<100ms查询。本文基于Milvus 2.4.1与Qdrant 1.9.2,在同一台48C/128G物理机上完成部署与压测。结果显示:Qdrant在单机SSD下查询P99为68ms,Milvus为91ms;但Milvus在批量导入(10M向量)耗时仅为Qdrant的62%。内存占用方面,Qdrant吃满27.4G,M

不过度追求速成,更相信稳定进步。当前重点关注低代码应用,通过性能优化、开源工具使用持续提升能力;喜欢从问题、方案到复盘形成完整闭环,并把过程整理成可复用的学习记录。
在电商以图搜图业务中,我们需在千万级(10,000,000) 768维向量下实现<100ms查询。本文基于Milvus 2.4.1与Qdrant 1.9.2,在同一台48C/128G物理机上完成部署与压测。结果显示:Qdrant在单机SSD下查询P99为68ms,Milvus为91ms;但Milvus在批量导入(10M向量)耗时仅为Qdrant的62%。内存占用方面,Qdrant吃满27.4G,M
三个月前我们基于LlamaIndex搭建的RAG问答系统在私有KB上准确率仅61%,检索结果经常被无关chunk干扰。本文记录了一次完整的优化链路:将固定512字符切块改为结构感知的递归切块,Embedding从OpenAI text-embedding-ada-002切换至BGE-large-zh-v1.5,并在检索后端引入Cohere Rerank 3模型。最终在2000条法律咨询测试集上,H