2026 向量库四强：Qdrant、Milvus、pgvector、Pinecone 基准与 TCO
图：高吞吐向量库蓝图——本篇架构图解（图源：原文）
这篇是企业买家视角的四强横评：Qdrant、Milvus、pgvector、Pinecone，目标负载设定为 1,000 万向量 × 1,536 维（OpenAI ada-002）、持续 100-300 QPS、p99 低于 100ms、Recall@10 ≥ 0.95。先说明信源结构：实测数据来自 Qdrant 开源跑具（同硬件同跑具）、VectorDBBench（Zilliz 开源工具）与 ANN-Benchmarks；价格均为 2026 年 9 月 16 日整理的各官网列表价。作者标注了实测与外推的分界——下面会照抄这个诚实。
实测：同硬件同跑具
Azure 8 vCPU / 32GiB，Docker，25GB 内存上限，官方 Python SDK。1M × 1536 维实测（最接近目标维度）：
| 引擎 | 配置 | Recall | QPS（100线程） | p99 | 建索引+灌数 |
|---|---|---|---|---|---|
| Qdrant | HNSW m16 ef128 | 0.9666 | 1,261 | 8.1 ms | ~666 s |
| Weaviate | HNSW m32 ef128 | 0.9950 | 845.5 | 201.1 ms | 994 s |
| Redis | HNSW m32 ef512 | 0.9916 | 337 | 356.1 ms | — |
| Milvus | HNSW m16 ef128 | 0.9973 | 219 | 576.7 ms | 70 s |
注意两点，作者自己标了：Milvus 在跑具里只有单一配置、没像 Qdrant 那样调优；但建索引最快这一条是真的——1M 向量 70 秒，比 Qdrant 快一个数量级。
最大的隐藏变量：写入压力
这是全文最实用的一张表（VectorDBBench，Cohere 1M×768，固定每月 1,000 美元预算档，无写入 vs 500 行/秒持续灌数）：
| 系统 | 静态 QPS | 灌数压力下 QPS | 衰减 |
|---|---|---|---|
| Qdrant Cloud | 447 | 394 | 1.1× |
| Pinecone | 1,131 | 367 | 3.1× |
| Zilliz Cloud | 7,385 | 2,119 | 3.5× |
| Milvus | 2,747 | 306 | 9.0× |
作者的原话值得裱起来：任何以”千万级 QPS”为标题的基准测试，都必须说明跑测试时有没有在灌数——这是当前最大的隐藏变量。
目标场景：10M × 1536 外推
以下数字作者明确标注为”外推估算”（基准是 1M×1536 实测、10M×96 实测下限与 VectorDBBench 流式跑分）：
| 引擎 | 持续 QPS（100 并发） | p99 ANN | p99 混合检索 | 备注 |
|---|---|---|---|---|
| Qdrant | ~150-300 | ~15-40 ms | ~30-80 ms | 原生过滤+原生 RRF |
| Milvus | ~60-150 | ~40-120 ms | ~80-250 ms | DiskANN 可降内存 |
| pgvector | ~30-100 | ~40-150 ms | ~100-500 ms | 后过滤语义，过滤查询有延迟尖峰 |
| Pinecone | 不受算力约束 | ~20-80 ms | ~40-120 ms | 按扫描量计 RU |
内存口径：10M×1536 的裸向量 61.4GB；全内存 HNSW 建议按 ≥100GB RAM 起步，用 SQ/BQ 量化可压到 16-64GB。
图：云上 GPU/实例 TCO 基准——本篇成本测算的算力口径（图源：原文）
TCO：谁的钱花在哪（2026-09 列表价）
| 引擎 | 托管 SaaS（月） | 自托管 AWS（单节点/HA） | 自托管 GCP | 计费要点 |
|---|---|---|---|---|
| Qdrant | ~$250-450 | $388 / $777 | $473 / $947 | 按资源计费，基准里内存占用最低=基础设施最便宜 |
| Milvus/Zilliz | ~$600 | $756 / $1,900 | $790 / $1,169 | 存储 $0.025/GB/月 全场最低，但多组件部署贵 |
| pgvector/RDS | ~$850-900 | $777 / $1,554 | $503 / $1,006 | 零新增许可，复用现有 Postgres 运维 |
| Pinecone | $1,274（1M 查询）/ $12,290（10M 查询） | 无自托管 | 无自托管 | 1 RU≈1GB 扫描/查询：10M×1536 单次查询扫 ~72GB |
Pinecone 那行是整个 TCO 章节的爆点：无服务器模式月费随查询量线性走，10M 查询/月约 1.23 万美元，比专用算力方案贵一个数量级——它的解法是专用读节点（DRN），而 Qdrant/Zilliz/自托管都是固定算力计费。
混合检索与决策矩阵
四强里原生混合检索（稠密+稀疏 BM25、内置 RRF）的有三家，pgvector 要在应用层手搓 RRF：
| 能力 | Qdrant | Milvus | pgvector | Pinecone |
|---|---|---|---|---|
| 单集合稠密+稀疏 | ✅ 原生 | ✅ 原生 | ❌ 应用级 | ✅ 原生 |
| 内置 RRF 融合 | ✅ | ✅ | ❌ | ✅ |
| 过滤+混合联合 | ✅ 原生 filterable HNSW | ✅ 表达式过滤 | ✅ WHERE | ✅ 元数据过滤 |
| 一致性 | 强一致（Raft） | 可调四档 | ACID（真·数据库） | 最终一致 |
| 部署复杂度 | 轻（Docker/Helm） | 最高（k8s 多组件） | 最简（PG 扩展） | 零运维 |
作者的决策树浓缩版：已经在跑 PostgreSQL → pgvector 够用（QPS 需求 <100 时）；要 ACID 事务盖在向量上 → pgvector；性能优先且在意成本 → Qdrant；要最全索引家族（DiskANN/GPU-CAGRA）→ Milvus；要零运维且能接受按扫描付费 → Pinecone。迁移路径基本都有成熟方案（pgvector↔Qdrant 中等复杂度、双写切读是标准动作）。
图：原文站内的自建 LLM 网关架构图——混合检索之上就是这一层应用编排（图源：原文）
小夏点评
- 1. 全文最可操作的一条是”跑基准时有没有并发写入”：同一套硬件上 Milvus 静态 2,747 QPS、灌数压力下只剩 306。以后看任何向量库榜单，先找”ingestion 是否运行”这一行，找不到就当广告。
- 2. 无服务器计费在大索引上会翻脸：Pinecone 模式按”扫描量×查询数”收费，10M×1536 单次查询扫约 72GB≈72 RU，月千万查询就是五位数美元。做 RAG 预算请按”查询量 × 索引大小”两个轴算，只看每 GB 存储单价会被吓到。
- 3. 对国内 IT 运维/开发者的启示：国内 RAG 项目大量跑在 pgvector 和 Qdrant 上，这篇结论可直接搬——已有 Postgres 底子、QPS 三位数以内，pgvector 就是最优解（零新增基础设施、真 ACID）；QPS 上千再迁 Qdrant（TCO 最低、原生混合检索）。另外国内向量云服务多数也是 serverless 计费，逻辑与 Pinecone 同构：小数据量时”免费/低价档”很甜，数据量上去后按扫描计费的账单会比自建贵出数倍——选云前先按一年后数据量重算一遍。
参考链接
- – 原文（devrudals，v1.0，2026-09-16 更新）：https://devrudals.github.io/posts/vector-db-2026-enterprise-guide
- – 实测数据源：Qdrant 开源跑具 https://github.com/qdrant/vector-db-benchmark ；VectorDBBench（Zilliz 开源）https://github.com/zilliztech/VectorDBBench ；ANN-Benchmarks https://ann-benchmarks.com
- – 价格口径：各厂商 2026 年 9 月列表价（Pinecone/Qdrant Cloud/Zilliz/AWS EC2/RDS/GCP Compute）
