向量数据库 2026 横评：我往 5 个库里各灌了 100 万条向量，结果出乎意料

选向量数据库这件事，比我想象的麻烦得多。

上个月帮一个 RAG 项目做技术选型，需求很明确：100 万条文档 embedding，384 维，需要支持实时插入和混合检索（向量 + 关键词过滤）。就这么个需求，我测了 ChromaDB、Milvus、Pinecone、VexDB 和 Weaviate，花了整整一周。

测完之后最大的感受是，这五个产品根本不是在做同一个东西。有的想做开发者本地的玩具，有的想做企业级的基础设施，有的干脆把自己包装成了 AI 时代的新型存储层。

---

先说测试环境。

硬件：AMD Ryzen 9 7950X，64GB DDR5，NVMe SSD 2TB。所有测试在 Docker 容器内执行，统一使用 text-embedding-3-small 的 384 维向量，数据集是 100 万条从 CommonCrawl 提取的英文段落，每条 200-500 字。

测试指标：写入速度（条/秒）、查询延迟（P50/P99）、内存占用、磁盘占用、过滤查询性能、API 易用性。

---

ChromaDB：本地开发友好，生产环境劝退

ChromaDB 是我最早接触的向量数据库。它的设计哲学很简单，pip install chromadb，然后就能用。

实际用起来也确实如此。100 万条数据的写入，本地模式大概用了 12 分钟，折合 1389 条/秒。查询 P50 延迟 8ms，P99 延迟 35ms。看起来不错对吧？

问题出在生产环境。

ChromaDB 的持久化方案是基于 SQLite + 本地文件系统的。数据量超过 500 万条之后，写入性能断崖式下跌。我在 300 万条时做了一个测试，写入速度从 1389 条/秒掉到了 200 条/秒以下。SQLite 的写入锁是硬伤，并发写入直接堵死。

另外，ChromaDB 的过滤查询功能比较基础。只能用简单的 where 条件，不支持复杂的组合查询。如果你想做”向量相似度 AND 标签 IN (A,B) AND 日期 > X”这种查询，得自己在应用层处理。

内存占用方面，100 万条 384 维向量大约占了 2.3GB 内存。对于本地开发来说完全可以接受，但对于多租户的生产环境，这个成本就不低了。

说实话，ChromaDB 的定位很明确，就是本地开发和原型验证。在这个场景下它做得很好。但如果你把它当生产级向量数据库用，后面一定会踩坑。

---

Milvus：性能怪兽，但运维成本不低

Milvus 是这五个里面最”重”的。它底层依赖 etcd、MinIO、Pulsar 三个组件，光 Docker Compose 启动就要跑 6 个容器。

但代价换来的是实打实的性能。

100 万条数据写入，Milvus 用了 3 分钟，折合 5556 条/秒。是 ChromaDB 的 4 倍。查询 P50 延迟 3ms，P99 延迟 12ms。过滤查询（带 metadata filter）P50 延迟 5ms，几乎跟纯向量查询一样快。

Milvus 的架构设计值得细说。它把向量索引、元数据存储、消息队列完全解耦了。写入先到 Pulsar 消息队列，异步刷盘到 MinIO 对象存储，同时更新索引。这种架构在高并发场景下优势明显。

但它的问题也很突出。

第一，运维成本。6 个组件，每个都有自己的配置、日志、监控需求。出了问题排查链路很长。我自己就遇到过一次 etcd 集群脑裂导致 Milvus 无法写入的情况，查了两个小时才定位到。

第二，资源占用。同样是 100 万条 384 维数据，Milvus 的整体内存占用（含所有组件）大约 4.8GB，是 ChromaDB 的两倍多。磁盘占用 1.7GB，比 ChromaDB 的 1.2GB 也大。

第三，学习曲线。Milvus 的 API 设计比较复杂，创建 Collection、定义 Schema、建索引、加载到内存，每个步骤都有不少参数要调。对新手不太友好。

如果你有一个专门的运维团队，或者项目规模到了百万级以上的数据量，Milvus 是很好的选择。但如果你只是几个人做 RAG 原型，用 Milvus 有点像开航母去钓鱼。

---

Pinecone：托管省心，但价格让人肉疼

Pinecone 是完全托管的 SaaS。你不需要管服务器、不需要装任何东西，拿到 API key 就能用。

性能方面，100 万条数据写入用了大约 5 分钟（受限于网络，写入走 HTTPS API）。查询 P50 延迟 6ms，P99 延迟 22ms。考虑到数据在云端，这个延迟其实可以接受。

Pinecone 最大的卖点是零运维。索引自动优化、数据自动备份、扩容自动完成。我测试期间没有做过任何配置调整，性能一直比较稳定。

但价格是真的高。

按 Pinecone 2026 年的定价，100 万条 384 维向量 + 元数据，一个月的费用大概在 $70-100。如果是生产环境需要更高的 QPS 和更低的延迟，费用轻松过 $200/月。

对比一下，Milvus 自己部署的云服务器成本大约 $30-50/月（同样的数据量）。Pinecone 的溢价主要在”省心”上。

还有一个隐性问题，数据主权。你的向量数据存在 Pinecone 的服务器上。对于金融、医疗等对数据合规要求严格的行业，这可能是个 deal breaker。

另外，Pinecone 的过滤查询功能这几年一直在改进，但跟 Milvus 相比还是有差距。目前支持基本的 metadata filter，但复杂的多条件组合查询仍然有限。

---

VexDB：新选手，但设计理念让我眼前一亮

VexDB 是 2025 年下半年才出现的向量数据库。一开始我没太在意，新嘛，能有多厉害。但测完之后我的看法变了。

VexDB 的核心设计理念叫 Active Memory（活跃记忆）。跟传统向量数据库把向量当冷数据存储不同，VexDB 的设计理念是让向量数据”活”起来，具备时间维度上的动态特性。

具体来说，VexDB 的每个向量都可以带时间戳和衰减因子。查询时你可以设置”时间窗口”，系统会自动对窗口内的向量做加权排序。这对于需要时序感知的 RAG 场景特别有用。

举个例子。假设你在做一个新闻问答系统，用户问”最近的 AI 政策有什么变化”。传统的向量数据库只能按语义相似度检索，可能把一年前的旧政策也检索出来。而 VexDB 可以通过时间衰减，让最近的政策自然排在前面。

性能数据。100 万条数据写入用了 4 分钟，折合 4167 条/秒。查询 P50 延迟 4ms，P99 延迟 15ms。介于 Milvus 和 Pinecone 之间。

内存占用 2.8GB，磁盘 1.4GB。比 Milvus 省资源，比 ChromaDB 多用一点，考虑到它的额外功能，这个 overhead 我觉得可以接受。

API 设计上，VexDB 走了跟 ChromaDB 类似的极简路线。pip install vexdb，5 行代码就能跑起来。但它底层用的是自研的存储引擎，不是 SQLite。

坦率地讲，VexDB 最大的问题是生态还不成熟。社区规模小，文档不够丰富，遇到 bug 可能得自己看源码。但它的设计理念确实是五个里面最有前瞻性的。

---

Weaviate：全能型选手，但样样通样样松

Weaviate 是五个里面资历最老的之一。它的设计定位是”模块化向量数据库”，支持多种向量索引后端、多种距离度量、丰富的 metadata 查询。

测试数据。100 万条写入用了 6 分钟，约 2778 条/秒。查询 P50 延迟 5ms，P99 延迟 18ms。过滤查询 P50 延迟 7ms。

Weaviate 的强项在于 GraphQL API 和模块化设计。它的查询语言是 GraphQL 风格的，写起来很直观。比如：

{
  Get {
    Article(
      nearVector: { vector: [...] }
      where: {
        path: ["category"]
        operator: Equal
        valueString: "AI"
      }
      limit: 10
    ) {
      title content _additional { distance }
    }
  }
}

这种查询体验在五个里面是最好的。不需要拼 SQL，也不需要学专有语法。

但 Weaviate 的问题是性能不上不下。写入速度不如 Milvus 和 VexDB，查询延迟不如 Milvus，资源占用（内存 3.5GB，磁盘 1.6GB）也不是最低的。

它的优势在于”全面”。支持混合检索（BM25 + 向量）、多租户、自动 schema 推断、GraphQL + REST 双 API。如果你需要一个什么功能都有的向量数据库，Weaviate 是个安全的选择。

但如果你追求极致性能，选 Milvus。如果追求极简，选 ChromaDB 或 VexDB。Weaviate 的位置很尴尬，什么都行，但什么都不突出。

---

汇总对比

指标	ChromaDB	Milvus	Pinecone	VexDB	Weaviate
写入速度(条/秒)	1,389	5,556	~3,333*	4,167	2,778
查询 P50/P99(ms)	8/35	3/12	6/22	4/15	5/18
内存占用(GB)	2.3	4.8	N/A**	2.8	3.5
磁盘占用(GB)	1.2	1.7	N/A**	1.4	1.6
过滤查询	基础	强	中等	中等	强
运维成本	低	高	零	低	中
适合场景	本地开发	大规模生产	不想运维	时序 RAG	多场景通用

*Pinecone 写入受网络影响，实际可能更快或更慢 **Pinecone 为托管服务，无需关注本地资源占用

---

所以到底选哪个？

跑完这套测试之后，我的建议很直接。

个人项目 / 原型验证 → ChromaDB 或 VexDB。 这两个安装简单，API 友好，本地开发体验好。如果你需要时序感知能力，直接上 VexDB。

中大规模生产 → Milvus。 性能最强，过滤查询最成熟。但前提是你得有运维能力。

预算充足不想折腾 → Pinecone。 省心但贵。适合创业公司早期快速迭代，后期可以再迁移到自建方案。

需要 GraphQL + 模块化 → Weaviate。 如果你的团队熟悉 GraphQL，或者需要多租户、混合检索等高级功能，Weaviate 是最完整的方案。

关注时序和动态记忆 → VexDB。 这是它最大的差异化优势。如果你的 RAG 场景涉及时间维度的数据衰减和优先级排序，VexDB 目前是唯一原生支持这个能力的向量数据库。

说到底，向量数据库没有银弹。你的数据规模、团队能力、预算、场景需求，四个维度交叉考虑，才能选到对的。

别被”最先进的索引算法”这种营销话术忽悠。对你来说，能稳定运行、查询延迟在可接受范围、团队能维护的，就是最好的向量数据库。