企业官网建设流程全解析

🦞 一只用 AI Agent 搭副业产线的程序员

向量数据库听起来是个严肃的选择题。我花了两个周末把 4 个主流方案全搭了一遍，跑了一组基准测试。

结论先说：个人项目用 Chroma 或 Qdrant，团队已有 PostgreSQL 用 pgvector，上了规模再碰 Milvus。

但你要的不是结论，是数据。下面全是实测。

四个选手

部署难度实测

Milvus —— 最重

# 下载官方 docker-composewgethttps://github.com/milvus-io/milvus/releases/latest/download/milvus-standalone-docker-compose.ymldockercompose up-d# 三个容器：milvus + etcd + minio# 首次启动约 2 分钟

启动后吃 2.5G 内存。个人电脑跑得动但资源占用明显。

pgvector —— 如果你已经有 PG 就零成本

-- 在现有 PostgreSQL 实例上CREATEEXTENSION vector;CREATETABLEdocuments(idSERIALPRIMARYKEY,contentTEXT,embedding VECTOR(1536));CREATEINDEXONdocumentsUSINGivfflat(embedding vector_cosine_ops);

如果团队已经有 PostgreSQL——这是最省事的方案。不需要新的基础设施。

Chroma —— 最轻量

# docker-compose.ymlservices:chroma:image:chromadb/chroma:latestports:-"8000:8000"volumes:-chroma_data:/chroma/chroma

单个容器，200MB 内存。部署体验最好的一个。

Qdrant —— 轻量但功能全

# docker-compose.ymlservices:qdrant:image:qdrant/qdrant:latestports:-"6333:6333"-"6334:6334"volumes:-qdrant_data:/qdrant/storage

单个容器，300MB 内存。自带 Web UI（6333 端口能直接看数据），调试体验极好。

性能实测

测试环境：MacBook M1 Pro，16G 内存，Docker 分配 8G。

测试数据：10,000 条 1536 维向量（模拟 10,000 个文档片段）。

写入速度：

pgvector 写最慢——这是 PostgreSQL 事务机制的开销，每条 insert 都走完整的事务日志。

查询速度（Top-10，单次查询）：

Qdrant 和 Milvus 在查询上几乎持平。pgvector 在有索引后也很快，但 P99 波动大。Chroma 表现稳健。

内存占用（10 万条数据）：

Milvus 是唯一一个空闲就上 G 的选手。

价格对比

本地部署（你自己的机器）：

四个都开源免费。成本差异在运维上，不在 license 上。

云服务（不想自己运维）：

Qdrant 和 Supabase 的免费额度对个人项目最友好。

选型决策树

我画不了图，但可以写成决策树：

你有 PostgreSQL 吗？ ├── 有，且向量量 < 1000 万 → pgvector（零新增基础设施） └── 没有 ├── 个人项目 / 学习阶段 → Qdrant（免费云 + 自带 Web UI） ├── Python 技术栈 / 快速原型 → Chroma（Python 生态最深） └── 生产环境 / 千万级以上 → Milvus（性能天花板最高）

我选的是 Qdrant。为什么：单容器部署、自带 Web UI 调试方便、Rust 写的性能够用、Go SDK 好用。后面所有文章都用 Qdrant 作为示例。

Go 代码：用 Qdrant 客户端的完整写入和查询

用 Qdrant 官方 Go SDK 比手写 HTTP 方便得多：

packagemainimport("context""fmt""log"qc"github.com/qdrant/go-client/qdrant")funcmain(){ctx:=context.Background()// 连接client,err:=qc.NewClient(&qc.Config{Host:"localhost",Port:6334,})iferr!=nil{log.Fatal(err)}// 创建集合（1536 维，余弦距离）client.CreateCollection(ctx,&qc.CreateCollection{CollectionName:"tech_docs",VectorsConfig:qc.NewVectorsConfig(&qc.VectorParams{Size:1536,Distance:qc.Distance_Cosine,}),})// 插入向量client.Upsert(ctx,&qc.UpsertPoints{CollectionName:"tech_docs",Points:[]*qc.PointStruct{{Id:qc.NewIDNum(1),Vector:qc.NewVector(embedding1...),Payload:qc.NewValueMap(map[string]any{"text":"Redis 缓存淘汰策略包括 LRU、LFU...",}),},},})// 查询：拿 queryVector 搜 Top-3result,_:=client.Search(ctx,&qc.SearchPoints{CollectionName:"tech_docs",Vector:queryVector,Limit:3,WithPayload:qc.NewWithPayload(true),})for_,point:=rangeresult.GetResult(){fmt.Printf("分数: %.4f | 内容: %s\n",point.GetScore(),point.GetPayload()["text"].GetStringValue(),)}}

一个容易忽略的细节：距离度量

向量数据库里「相似度」怎么算，有 3 种选择：

文本语义搜索用 Cosine，别用其他。Embedding 向量的「长度」没有语义含义，重要的是「方向」。用欧几里得距离会把本来意思接近但向量偏长的文档排到后面去。

本篇核心收获

四个向量数据库，三个维度（部署难度、性能、价格），结论很明确：个人和中小团队首选 Qdrant 或 pgvector。不要一上来就上 Milvus——它能做的事你大概率还没到那个量级。

下一篇我们把前三篇串起来——用 Go 写一个完整的文档索引器。从读取 Markdown 文件、切分、生成 Embedding、存入 Qdrant，一个命令搞定。

关注我，别错过。

🦞 一只用 AI Agent 搭副业产线的程序员

全平台同名：虾哥不加班
需要定制 AI 工具？来聊聊 → lob_ai

源码：GitHub - lobster-bujiaban/rag-from-scratch