向量数据库2026硬核实测：100万向量横评，Qdrant凭什么跑出PgVector的4倍QPS，开发者到底怎么选

检索增强生成（RAG）已经是企业AI应用的标配架构。向量数据库作为RAG的检索引擎，直接决定响应速度、搜索精度和运维成本。2024年这个赛道还有20多个选手，到2026年格局已经清晰：Milvus、Qdrant、Weaviate、PgVector四强确立，Pinecone沦为纯SaaS、Chroma只够做原型。

这次实测用真实的100万条1536维向量（text-embedding-3-large生成），在AWS c6a.4xlarge（16 vCPU、32GB内存、500GB NVMe SSD）上跑完整基准。所有数据库用相同硬件和相同数据，只调各自推荐的默认配置。结果出乎很多人意料。

插入性能：Qdrant实时索引，PgVector最慢

100万条向量插入，Qdrant只用了95秒，插入QPS达到10,526，而且实时索引——数据写完立即可查。Weaviate用了140秒，QPS为7,143。Milvus是180秒，QPS为5,556，但索引构建要单独触发，额外120秒。PgVector最慢，320秒才插完，QPS只有3,125，而且CREATE INDEX是阻塞操作，插入期间查询全卡。

Qdrant的Rust实现没有GC暂停，内存映射（mmap）索引能利用操作系统页缓存，单节点场景下插入速度直接拉开差距。

查询性能：Qdrant碾压，PgVector延迟是它6倍

查询TopK=10、Recall@10≥95%的条件下，Qdrant跑到4,800 QPS，P50延迟0.5ms，P99延迟只有2.1ms，内存占用7.2GB。Milvus是3,200 QPS，P99为3.2ms。Weaviate是2,800 QPS，P99为4.5ms。PgVector只有1,200 QPS，P99延迟飙到12ms，是Qdrant的6倍。

12ms对用户来说仍然不可感知。后面会讲，这个差距在大多数RAG场景里并不致命。

过滤查询：PgVector的软肋暴露

RAG里经常要在特定分类下搜索相似向量。Milvus、Qdrant、Weaviate都支持预过滤——先过滤再搜索，结果准确。Qdrant的过滤QPS还能跑到4,200，Recall为96%。PgVector用的是后过滤——先搜索再过滤，过滤QPS只有800，Recall掉到93%，而且可能返回不足TopK条结果。

如果你的应用有大量元数据过滤需求，PgVector这条短板必须提前考虑。

运维成本：PgVector近乎免费，Milvus最重

月均成本按100万向量估算。PgVector如果你已经有PostgreSQL，增量成本接近零，最多加20GB存储，月均0到50美元。Qdrant自托管月均约150美元，云服务250美元。Weaviate自托管约160美元。Milvus自托管约180美元，云服务300美元，而且完整部署要etcd、MinIO、Kafka加多个组件，运维门槛最高。

PgVector部署最简单——一条`CREATE EXTENSION vector`搞定。Qdrant单容器`docker run`就能跑。Weaviate中等。Milvus最复杂，Kafka/MinIO/etcd四件套。

开发者怎么选：三条决策线

数据量50万以下且已有PostgreSQL，直接用PgVector。零运维零成本，RAG文档量在10万到100万之间完全够用。80%的RAG应用其实都属于这一档。

数据量50万到500万，看搜索需求。要混合搜索（向量加关键词），选Weaviate，它的BM25加向量融合是四款里最成熟的，配合重排序能提升15%到20%的检索准确率。追求极致查询性能，选Qdrant，Rust实现的尾延迟最低。需要GraphQL API，也是Weaviate。

数据量500万到1亿，运维能力强选Milvus，真分布式方案。运维弱选Qdrant，简单分片就够。超过1亿向量，Milvus是唯一经过超大规模验证的方案，存算分离架构在这个量级没有替代品。

数据主权敏感、必须私有化部署，Qdrant或Milvus二选一。Qdrant更轻量，Milvus更强大。无DevOps团队、纯云原生，选Pinecone或Qdrant Cloud，按量付费省心，但Pinecone数据必须在它云上，金融和政务场景受限。

别被基准数字骗了

Qdrant跑4,800 QPS、PgVector跑1,200 QPS，差距4倍。可是在RAG场景里，检索延迟2ms和12ms的差距，远小于大模型推理的1到3秒延迟。用户感知不到这10毫秒。

真正决定体验的是召回率、混合搜索能力和运维稳定性。选最简单的方案，直到它不够用为止。PgVector就是那个最简单的方案，对大多数团队来说，它够用的时间比你想象的长。

Milvus适合字节、阿里这类亿级数据大厂。Qdrant适合中型AI创业公司和对延迟敏感的实时推荐场景。Weaviate适合知识库问答这类对召回率极敏感的应用。Chroma只适合本地调试和教程示例，生产环境别碰。Pinecone适合预算充足、不想碰基础设施的团队，长期大规模使用的成本可能高于自托管。

一句结论

开发者选向量数据库，先问数据量，再问过滤需求，最后看运维能力。50万向量以下用PgVector，500万以下用Qdrant或Weaviate，1亿以上用Milvus。性能基准是参考，运维成本和搜索质量才是决策主线。你的RAG应用卡在哪一档，照着决策树选，基本不会翻车。