Vector Database 選型完整指南

隨著 RAG 應用爆發，向量資料庫成為 AI 基礎設施的關鍵組件。本文從多個維度比較市面主流方案。

核心比較維度

1. 效能

• 查詢延遲：P99 應低於 100ms
• 吞吐量：每秒可處理的查詢數（QPS）
• 召回率：ANN 演算法的精度（Recall@K）

2. 成本

• 託管服務：以 Storage + Query 用量計費
• 開源方案：伺服器成本 + 維運人力

3. 維運難易度

• 是否支援水平擴展
• 備份還原機制
• 監控告警整合

主流方案比較

Pinecone

全託管服務，無需維運。Serverless 架構按用量付費，適合快速上線。缺點是不支援自架，廠商綁定風險較高。

Weaviate

開源向量資料庫，內建混合搜尋（向量 + 關鍵字）。支援 GraphQL API，模組化架構可整合多家 Embedding Provider。

Milvus

Zilliz 維護的開源方案，專為大規模場景設計（支援十億級向量）。架構複雜，需要較多調校，但效能極為強悍。

Qdrant

Rust 編寫的開源向量資料庫，以單 binary 部署為賣點。API 簡潔，社群活躍，適合中小型專案。

實作範例：Qdrant 本地部署

docker run -p 6333:6333 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  qdrant/qdrant