Milvus与Qdrant选型实录:千万级向量下的部署与性能对决
在电商以图搜图业务中,我们对比了Milvus 2.4.1与Qdrant 1.9.2在千万级768维向量下的真实表现。Qdrant在单机部署上节省了40%内存,RPS(每秒请求数)达到3200,而Milvus依赖分布式架构在16节点下才勉强追平。但Milvus的标量过滤和索引构建速度优势明显,索引时间仅为Qdrant的1/3。本文记录了完整部署流程、性能压测数据以及资源占用的详细对比,并附上生产环境

关注用户体验,长期记录跨团队协作、产品可用性分析和从需求到交付的完整过程。重视可维护性、稳定性与协作效率,希望用清晰的方法帮助产品与业务更高效地落地。
在电商以图搜图业务中,我们对比了Milvus 2.4.1与Qdrant 1.9.2在千万级768维向量下的真实表现。Qdrant在单机部署上节省了40%内存,RPS(每秒请求数)达到3200,而Milvus依赖分布式架构在16节点下才勉强追平。但Milvus的标量过滤和索引构建速度优势明显,索引时间仅为Qdrant的1/3。本文记录了完整部署流程、性能压测数据以及资源占用的详细对比,并附上生产环境
上周接手一个内部数据聚合API,上游依赖三个外部服务,平均响应3.2秒。通过asyncio将串行调用改为并发协程,引入超时控制和信号量限流,最终P95延迟降至410ms。本文记录从同步Flask到异步Sanic的完整改造过程,包含Python 3.12 + asyncio 3.12的版本踩坑、Semaphore控制并发数、以及asyncio.timeout的正确用法。改造后单机QPS从12提升到8