向量数据库选型，新手容易陷入「选最强的」陷阱。实际上你的数据量和团队运维能力，比功能列表重要得多。四款主流开源方案各有定位，下面按场景给选择清单。
四款方案各自的脾性？
LanceDB 轻量嵌入式，一个文件当数据库，适合个人项目、本地 RAG、原型验证，部署成本几乎为零，但不适合多并发生产环境。Chroma 同样轻量，Python 生态友好，小团队快速上手，文档示例多。Qdrant 是生产级里性价比很高的一款，Rust 写的，性能稳，支持过滤条件，中小团队当主力很顺手。Milvus 是分布式重武器，百万级以上向量、多节点扩展才需要它，运维复杂度明显高一档。
选型看哪几个硬指标？
先看数据量级。十万向量以下，前三款闭眼选；百万级以上，再考虑 Milvus 这类分布式方案。再看过滤需求：检索时要不要按标签、时间、权限过滤，要的话选 Qdrant 或 Milvus，嵌入式方案过滤能力弱。再看运维资源：有没有专职后端？没有就选轻量款，别给自己上分布式数据库找罪受。
最常见的选型错误？
两个。一是小项目上 Milvus，杀鸡用牛刀，后期维护成本吃掉开发时间。二是只看向量检索，忽略后续要做的元数据过滤和权限控制，做到一半发现换库比改代码贵。我的建议是：原型阶段用 Chroma 或 LanceDB 快速验证，确认方向后数据量涨上来再迁 Qdrant，真到百万级再评估 Milvus。库是工具，先跑起来再优化。再补两个选型细节。一是看部署形态，嵌入式方案适合单机原型，服务端方案适合多进程共享。二是看未来要不要做混合检索，向量加关键词一起查，选数据库时就确认它支不支持标量过滤与全文检索混合。磁盘占用也别忽略，百万向量加索引常见占好几 G，生产环境先算好存储预算再动手。
去论坛讨论
前往 silicon-agi.com 论坛 参与讨论
