Milvus 和 pgvector 对比：数据持续增长时该怎么选

pgvector 把向量检索加入 Postgres，可复用关系数据、事务和 JOIN；扩容方式包括纵向扩展、只读副本和额外的分片方案。Milvus 是专门的向量数据库，将持久数据放在对象存储，并分别扩缩写入、索引与检索资源。选择取决于是否需要关系能力，以及实际过滤、吞吐、延迟和运维要求。

开始 Milvus 快速入门试用 Zilliz Cloud 托管 Milvus

Apache-2.0，GitHub 40K+ star
可扩展到数百亿向量
存储与计算分离
单字段最高 32,768 维，17 种稠密向量索引

Milvus 各类节点在共享对象存储上独立扩缩；pgvector 运行在一个 Postgres 主库里，只能靠只读副本分担查询。

Milvus 与 Zilliz Cloud 用户

Salesforce
Walmart
NVIDIA
eBay
IBM
Cisco
Roblox
Reddit
Exa.ai
OpenEvidence
Read.ai
Plaud
Filevine

Milvus 和 pgvector 扩展性对比：向量表超过一台 Postgres 之后怎么办？

Milvus 是存算分离架构。segment 和 WAL 都在对象存储里，新加的 query 节点直接加载分配给它的 segment，不用从别的节点拷盘；写入、检索、建索引分别由不同类型的节点承担，各自扩缩。tiered storage 还能让单个节点服务超过自身内存和磁盘的数据量。

pgvector 的扩展性就是 Postgres 的扩展性。README 写明：纵向扩展靠给单实例加内存、CPU 和磁盘；横向扩展靠只读副本，或者用 Citus、PgDog 这类分片方案。Postgres 副本只读，所有写入和 HNSW 建索引都落在主库；一旦图结构超出 maintenance_work_mem，HNSW 建索引会明显变慢。

数百亿Milvus Distributed 支持的向量规模查看来源

32,768Milvus 单个向量字段的最高维度查看来源

40K+milvus-io/milvus GitHub star查看来源

十亿级向量检索的扩展性（依据双方官方文档）
能力	Milvus	pgvector
架构	存算分离：proxy、streaming、query、data 节点	Postgres 进程内的扩展；堆表加 HNSW 或 IVFFlat 索引
数据存放	对象存储（S3、MinIO、Azure Blob、GCS），WAL 也在其中	主库本地磁盘，WAL 流式同步到副本
写入与建索引扩展	增加 streaming 或 data 节点	单主库；只能靠本机并行 worker
查询扩展	增加 query 节点和副本，segment 从对象存储加载	只读 hot standby 副本，每个都是全量拷贝
数据超过单节点容量	tiered storage 按需拉取字段数据	换更大的机器，或用 Citus / PgDog 分片
建索引内存	在 data 节点上构建，与查询服务分离	HNSW 图放得进 maintenance_work_mem 才快
可建索引的维度	单个向量字段最高 32,768 维	vector 最高 2,000 维；halfvec 4,000；bit 64,000
大规模多租户	partition key 支持百万级租户；也可按 database、collection、partition 隔离	按租户做 list 分区或拆表

Milvus 和 pgvector 性能对比：谁更快？

图中仅展示当前已核对的 Milvus 与 Zilliz Cloud VectorDBBench 配置。这里没有同条件、同版本的对手结果，不能据此推断谁更快。使用相同数据集、过滤比例、召回目标和硬件重测后再比较。

向量检索吞吐（QPS，越高越好）Cohere 1M 数据集，768 维

Zilliz CloudZillizCloud-8cu-perf13,316.23 QPSP99 2 ms · 召回率 0.9383
MilvusMilvus-16c64g-sq4u-fp16-force_merge9,575.69 QPSP99 2.3 ms · 召回率 0.9189

来源：VectorDBBench，仅列 Milvus 与 Zilliz Cloud 的已核对配置；不构成对竞品的性能结论。

过滤检索吞吐（QPS，过滤后保留 1% 数据）Cohere 1M 数据集，768 维，filter ratio 0.99

Zilliz CloudZillizCloud-8cu-perf-partition_key10,020.53 QPSP99 2.6 ms · 召回率 0.9788
MilvusMilvus-16c64g-sq8-partition_key11,280.08 QPSP99 1.6 ms · 召回率 0.9507

来源：VectorDBBench，仅列 Milvus 与 Zilliz Cloud 的已核对配置；不构成对竞品的性能结论。

Zilliz Cloud 就是全托管的 Milvus：同样的引擎、同一梯队的性能，不用自己规划集群、升级和扩容。

免费试用 Zilliz Cloud

pgvector 和 Milvus 功能对比：索引类型、过滤与混合检索

pgvector 给 Postgres 加了两种 ANN 索引，外加 SQL 的全部工具。Milvus 是专门的向量数据库：索引家族更多，标量索引在向量检索之前先过滤，服务端内置 BM25 函数和 ranker 做混合检索。做向量数据库选型时，先看这张向量数据库对比表，pgvector 和 Milvus 区别一目了然。

功能对比：pgvector HNSW / IVFFlat 与 Milvus 的索引类型、元数据过滤、混合检索、部署方式与 SDK
功能	Milvus	pgvector
稠密向量索引类型	HNSW、IVF（FLAT、SQ8、PQ、RaBitQ）、SCANN、DiskANN、GPU（CAGRA、IVF、暴力检索）	HNSW、IVFFlat
向量类型	float32、float16、bfloat16、int8、二值、稀疏	vector、halfvec、bit、sparsevec
量化	SQ8、PQ、PRQ、RaBitQ；HNSW_SQ、HNSW_PQ、HNSW_PRQ	halfvec 存储；表达式索引做二值量化，再用精确距离重排
元数据过滤	先用标量索引（INVERTED、BITMAP、STL_SORT）或 partition key 过滤，再做 ANN 检索；复杂表达式可用 iterative_filter hint	WHERE 条件在索引扫描之后应用：README 的例子是条件命中 10% 的行时，默认 hnsw.ef_search 为 40 只能平均返回约 4 行；0.8.0+ 的迭代索引扫描会继续扫到凑够 k 行
全文检索 / BM25	内置 BM25 函数，服务端把原始文本转成稀疏向量	Postgres 全文检索：tsvector、tsquery、ts_rank_cd
混合检索	一次 hybrid_search 查多个向量字段，RRFRanker 或 WeightedRanker 融合	两条查询分别执行，在 SQL 或应用层用 RRF 或 cross-encoder 合并
多租户	database、collection、partition 或 partition key	list 分区或拆表
事务与 JOIN	collection 级一致性级别；不支持跨表 JOIN	Postgres 自带 ACID 事务、JOIN 和时间点恢复
部署方式	Milvus Lite、Standalone、Distributed、Zilliz Cloud	任意 Postgres 13+；Amazon RDS、Supabase、Neon、Crunchy Bridge 等托管服务
许可证与社区	Apache-2.0；Go 和 C++；LF AI & Data 毕业项目；GitHub 40K+ star	PostgreSQL License；C；GitHub 20K+ star
SDK 语言	Python、Java、Go、Node.js、C#、C++、Rust、RESTful	任何带 Postgres 客户端的语言

Milvus 比 pgvector 难部署吗？运维复杂度对比

Milvus Lite 可用 pip 在进程内启动，CPU 是默认路径，GPU 索引可选。已有 Postgres 的团队可以先用 pgvector，迁移时通常能复用模型与维度一致的向量，但仍需映射 schema、创建索引并改写检索调用。两者都应按索引内存、存储、查询量和可用性要求评估成本。

PGSQL 和 Milvus 的部署、调参与迁移（依据官方文档）
阶段	Milvus	pgvector
起步	pip install pymilvus 即进程内运行 Milvus Lite，数百万向量以内	在现有 Postgres 13+ 上 CREATE EXTENSION vector
单机	Standalone：使用 Docker 部署，并配置 etcd 与对象存储；Woodpecker 可嵌入运行	单主库；HNSW 图放进 maintenance_work_mem 才建得快，默认 2 个并行 worker
集群	Distributed：Kubernetes 上用 Milvus Operator 或 Helm 部署，数据在对象存储；1 亿到数百亿	只读副本；分片靠 Citus 或 PgDog
调参入口	按字段设索引参数（M、efConstruction、nlist），按查询设搜索参数	默认 m 16、ef_construction 64、hnsw.ef_search 40；hnsw.iterative_scan、hnsw.max_scan_tuples
GPU	可选 GPU_CAGRA、GPU_IVF 索引	无
框架与 SDK	langchain-milvus、LlamaIndex、Haystack、Dify、n8n；SDK 覆盖 Python、Java、Go、Node.js、C#、C++、Rust	langchain-postgres（PGVector）；任意 ORM 或 Postgres 驱动
托管服务	Zilliz Cloud，MilvusClient API 一致	Amazon RDS、Supabase、Neon、Crunchy Bridge
以后迁移	VTS（Vector Transport Service）有 Postgres Vector 源端（pg_to_milvus）：向量和列直接拷贝，不用重新生成向量	关系表留在 Postgres，按主键关联

pgvector 和 Milvus 哪个好？什么情况下该选 pgvector

pgvector 的优势是复用已有 Postgres 的事务、JOIN 与运维体系。是否需要迁移，应按向量索引、过滤负载和读写扩展的实测结果判断；扩展路径也包括只读副本及 Citus、PgDog 等分片方案。

数据本来就在 Postgres 里，向量表一个主库装得下。
需要向量和关系行之间的 ACID 事务或 JOIN。
Agent 记忆或 checkpoint 这类要事务更新的数据；大语料检索交给 Milvus，两者并用。
已经在用 RDS、Supabase、Neon 等托管 Postgres，不想多运维一个服务。
团队以 SQL 为主，只想要一个连接串，不想引入新的客户端库。

哪些 AI 公司和大型企业在生产环境用 Milvus？

从 AI 原生公司到大型企业，都在生产环境运行 Milvus 或 Zilliz Cloud（托管 Milvus）。milvus.io 用户墙上有 Salesforce、Walmart、NVIDIA、eBay、IBM、Cisco、Roblox、Reddit，也有 Exa.ai、OpenEvidence、Read.ai、Notta.ai、Plaud、Filevine。公开案例中的结果：