6.5 向量数据库选型指南：Milvus、Pinecone、Chroma对比实战
向量数据库选型指南：Milvus、Pinecone、Chroma对比实战
轻量、托管、大规模，如何选对你的向量数据库？本节基于《AI工程》第6章「RAG and Agents」— Retrieval Optimization：向量数据库选型。
一、为何需要向量数据库？
Chip Huyen 在《AI工程》第6章将向量数据库选型列为检索优化的重要环节。传统 SQL 擅长精确查询，不擅长高维向量的相似度检索。向量数据库为嵌入向量设计，支持高效的 ANN（近似最近邻）检索，是 RAG 索引的基础设施。
二、选型维度
《AI工程》隐含的选型维度包括：
| 维度 | 说明 |
|---|---|
| 规模 | 百万级 / 千万级 / 亿级 |
| 部署 | 本地 / 云托管 |
| 性能 | QPS、延迟 |
| 功能 | 过滤、混合检索、多租户 |
| 成本 | 开源 vs 商业 |
三、三款对比
| 特性 | Chroma | Pinecone | Milvus |
|---|---|---|---|
| 部署 | 本地/嵌入式 | 云托管 | 自建/云 |
| 规模 | 小中 | 中大型 | 大规模 |
| 易用性 | 高 | 高 | 中 |
| 学习成本 | 低 | 低 | 中高 |
| 适用 | 原型、小项目 | 生产、免运维 | 大规模、可控 |
四、Chroma 快速上手
# pip install chromadbimportchromadb client=chromadb.Client()collection=client