# 最好的向量数据库，往往是客户已在用的那个

> 每加一个服务，就多一套备份、监控和值班；客户已在用 Postgres，就先试 pgvector。

原文: https://fdetimes.net/zh/tools/pgvector-qdrant-elasticsearch-choose-vector-database/

刚到客户现场的工程师，常常想先比 benchmark、看排行榜，再推荐一款“专用”向量数据库。其实有个更简单的问题应该先问：客户已经在运维哪些系统？答案通常就决定了大半。

原因很实际。每个新服务都会带来备份、监控、权限控制，以及宕机时需要有人值班。对前线部署工程师（FDE）来说，选向量数据库主要是看能否融入客户现有的基础设施，单纯的性能只是其中一部分。下面介绍三种常见方案及各自的适用场景。

## 客户已在用 Postgres？先试 pgvector

官方仓库对 pgvector 的描述是：一个为 Postgres 提供向量相似度搜索的开源扩展。它最大的优势在于所处的位置。向量直接存放在业务数据旁边，因此能继承 README 中列出的 ACID、时间点恢复和 JOIN。

设想一家保险公司，保单表存放在 Postgres 中。你在条款表里加一列 embedding。之后，一条查询就能找出语义最接近的段落，再 JOIN 客户表，取出客户姓名和保单状态。

两个系统之间不需要同步管道，也就不存在同一份数据在两处逐渐不一致的风险。

有个细节值得了解：pgvector 默认执行精确最近邻搜索，README 明确说明这能带来完美的召回率。只有手动创建近似索引后才会用上近似搜索，近似索引有两种。HNSW 构建多层图结构，IVFFlat 则把数据划分为若干列表。

HNSW 在速度与召回率之间的权衡更好，代价是构建时间更长、内存占用更大。

因此，合理的流程是先跑精确搜索，得到一份“参考答案”。然后再创建 HNSW 索引，统计两份 top 10 结果中有多少条一致。这个数字说明你为速度牺牲了多少召回率，也可以直接拿给客户看。

## 两个可能毁掉演示的陷阱

第一个陷阱是过滤。使用近似索引时，pgvector 在扫描索引之后才执行过滤。结果是，查询返回的条数可能少于预期。

设想一个多租户系统。你要查询属于某个小客户的 10 篇最接近的文档。HNSW 索引先在整个数据集中取回一批最接近的候选，然后才按租户过滤。如果这批候选中只有 3 篇属于该租户，用户拿到的就是 3 行，而不是 10 行。

用户会认为聊天机器人“什么都没找到”，而那些文档明明就在数据库里。

第二个陷阱是维度。pgvector 最多可存储 16,000 维的向量，但 HNSW 的限制严格得多：对于 vector 类型，它最多只能索引 2,000 维。如果客户的嵌入模型输出的向量更长，你仍然可以存储，但无法在 vector 类型上构建 HNSW。

这个数字要在选模型时就核对，而不是等到导入真实数据那天。

**要点:** 使用 pgvector 时，演示前一定要检查两件事：过滤条件很窄的查询能否返回足够的行数，以及嵌入维度是否在 HNSW 的上限之内。

## 什么时候值得为 Qdrant 新增一个服务

Qdrant 采用客户端-服务器模式，通过 HTTP 和 gRPC 提供 API，几乎任何语言都能调用。数据的基本单位是 point，由一个向量和可选的元数据 payload 组成。

在上面的多租户场景中，Qdrant 与 pgvector 的区别在于 payload 索引。你可以在 tenant_id 等特定字段上建索引，过滤在搜索过程中就会执行。Qdrant 不像 pgvector 的近似索引那样，等搜索结束后再过滤。Qdrant 还支持混合检索，把用于语义搜索的稠密向量和用于关键词搜索的稀疏向量结合起来。

因此，当过滤是核心需求时，比如租户数量极多、每个租户规模很小的多租户场景，而且客户愿意多运维一个服务，Qdrant 就值得考虑。如果没人为这个服务值班，技术上的优势就会变成运维负担。

## 客户已有 Elasticsearch：直接用现有集群

如果客户用 Elasticsearch 做关键词搜索，Elastic 的文档说明，稠密向量通过 knn 查询来检索。也就是说，你可以在已上线生产环境的集群上加入向量搜索。Elastic 也介绍了如何把向量与全文搜索结合，实现混合搜索。

设想一家设备经销商，技术文档存放在 Elasticsearch 中。一位技术人员输入：“PX-220 泵启动时噪音很大”。型号 PX-220 需要全文搜索精确匹配，而“启动时噪音很大”需要按语义搜索，因为文档里可能写的是“异常噪声”。

只用向量，结果可能偏到描述相近的另一款泵；只用关键词，系统会漏掉措辞不同的段落。混合搜索能兼顾两者，但前提是两组分数融合得当。

不要以为这只是加一个字段。你仍然需要一条数据管道，为存量和新增文档生成嵌入向量；可能还要对现有数据重建索引；还必须决定如何融合向量分数与全文分数。优势在别处：集群已有索引、权限控制和运维人员，风险比搭建一套新系统低。

第一步，收集约 20 个同时包含产品型号和自然语言描述的真实问题。分别运行纯全文搜索、纯 knn 搜索和混合搜索，看哪种方式能把正确的文档排在第一位。

| 客户已有 | 先尝试 | 需要检查 |
|---|---|---|
| Postgres | pgvector | 索引扫描后的过滤、HNSW 的 2,000 维上限 |
| 还没有，且过滤需求重 | Qdrant | 谁来运维这个新服务 |
| 用于关键词搜索的 Elasticsearch | 在现有集群上用 knn 查询 | 嵌入数据管道、重建索引、向量分数与全文分数的融合方式 |

## 先学什么

如果只有一周时间，先学 pgvector，因为大量客户都在用 Postgres。重点关注三件事：对比精确搜索与 HNSW、复现过滤导致结果过少的问题、仔细读懂维度限制。然后搭一个带 payload 索引的 Qdrant，看看同一个过滤问题如何用另一种方式解决。

阅读 FDE 岗位描述时，留意“integrate with existing data infrastructure”或“RAG in production”这类表述。简历上写“使用过向量数据库 X”说明不了什么。

而“测量了精确搜索与 HNSW 之间的召回率；在多租户系统中发现并修复了过滤导致结果过少的问题”这样一句话，能让招聘经理看到你处理过真实数据。

一个项目最好的向量数据库，通常是客户已经知道如何维持运行的那个。只有当你能量化出现有系统无法解决的具体问题时，再换别的方案。

**本周动手试试:**

- 在本地 Postgres 实例上安装 pgvector，用精确搜索和 HNSW 分别运行同一条查询，统计两份 top 10 结果有多少条重合
- 针对 HNSW 索引写一条过滤条件很窄的查询（例如只查一个小租户），检查它能否返回你请求的全部行数
- 记下当前所用嵌入模型的维度，并与 HNSW 对 vector 类型的 2,000 维上限对比

## 信源

- [pgvector/pgvector (GitHub README)](https://github.com/pgvector/pgvector)

- [Qdrant Documentation – Overview](https://qdrant.tech/documentation/overview/)

- [Elastic Docs – Vector search](https://www.elastic.co/docs/solutions/search/vector)
