向量数据库

PGVector 和 Milvus 

PGVector

• 基本概念：PGVector 是 PostgreSQL 的扩展，它将向量相似性搜索功能直接添加到了数据库中3。这意味着可以在传统的关系型数据库环境中，方便地存储、索引和查询向量数据，能让开发者将向量数据与其他关系型数据一起管理，适合那些既需要处理向量数据，又有传统关系型数据处理需求的混合应用场景3。
• 功能特点：支持多种向量数据类型和运算算法，如点积、余弦相似度、欧几里得距离等计算方式4。索引方面，它支持 IVFFlat 索引，这种索引适用于召回精度要求高，但对查询耗时要求相对不严格（100ms 级别）的场景，具有高召回率、高精度、算法和参数简单、空间占用小等优势4。

Milvus

• 基本概念：Milvus 是一个开源的、专门为处理大规模向量相似性搜索而设计的向量数据库1。它采用基于微服务的多层架构，将存储和计算资源分离，能独立、水平地扩展每一层，可在从笔记本电脑到大规模分布式系统等各种环境中高效运行，有多种部署模式，包括 Milvus Lite、Milvus Standalone 和 Milvus Distributed，以适应不同的数据规模和应用场景25。
• 功能特点：支持多种向量索引类型，如分层可导航小世界（HNSW）、倒排文件（IVF）和基于 GPU 的索引等，这些索引能加快搜索速度2。具备强大的搜索功能，除了支持 top - k 近似最近邻（ANN）和范围 ANN 等相似性搜索类型外，还支持混合搜索，可将语义向量搜索与元数据过滤或关键词搜索等其他标准结合起来，提高搜索效率和相关性2。

两者对比

• 性能和可扩展性1：在处理大规模数据时，Milvus 表现出色，能在毫秒级别内返回搜索结果，支持水平扩展，通过增加节点可提高处理能力，其分布式架构可轻松应对数据量增长；PGVector 在中小规模数据集上表现稳定，但处理大规模数据时，性能可能受限于单节点处理能力，其扩展性依赖于 PostgreSQL 架构，处理极大规模数据时可能面临挑战。
• 功能特性：两者都支持向量索引和搜索、多种距离度量以及高维数据处理。但 Milvus 支持的索引类型更丰富，搜索功能更强大，如支持多种相似性搜索类型和混合搜索；PGVector 的 IVFFlat 索引在精度上有优势，但在搜索功能的丰富度上不如 Milvus124。
• 部署和集成1：Milvus 有多种部署模式，包括云原生部署，可通过第三方云服务提供商实现云原生支持，也提供了部署在 Kubernetes 上的指南，并且能与多种分析工具、框架以及生成式 AI 模型集成；PGVector 可以部署在云环境中，但需要额外配置和管理来实现云原生特性，其优势在于利用了 PostgreSQL 的成熟生态系统，适合与传统关系型数据库结合的应用。
• 适用场景：Milvus 适用于处理大量非结构化数据的 AI 应用场景，如检索增强生成（RAG）、语义搜索、推荐系统、图像和音频搜索等，尤其适合对性能和可扩展性要求高的企业级应用；PGVector 适合既需要处理向量数据，又有传统关系型数据处理需求的混合应用场景，对于数据规模不大，且希望借助 PostgreSQL 生态系统的用户较为合适23