Milvus
Zilliz
Star46.5K预约演示开始使用

Milvus 和 Qdrant 对比：开源向量数据库怎么选

Milvus 和 Qdrant 对比，核心区别在架构：两者都是 Apache-2.0 开源向量数据库，但 Milvus 是存算分离的分布式向量数据库，数据在对象存储，查询、写入、索引节点各自弹性扩缩，可支撑数百亿向量；Qdrant 是对等节点架构：分片存在各节点本地磁盘，部署更轻。需要独立扩展写入、查询和索引时，优先评估 Milvus；偏好对等节点部署与 payload 过滤模型时，可评估 Qdrant。

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
  • 多租户向量数据库：partition key 支持百万级租户
Milvus 各类节点在共享对象存储上独立扩缩；Qdrant 对等节点把分片存在本地盘，扩容时要搬分片。
Milvus 各类节点在共享对象存储上独立扩缩；Qdrant 对等节点把分片存在本地盘，扩容时要搬分片。
Milvus 与 Zilliz Cloud 用户
  • Salesforce
  • Walmart
  • NVIDIA
  • eBay
  • IBM
  • Cisco
  • Roblox
  • Reddit
  • Exa.ai
  • OpenEvidence
  • Read.ai
  • Plaud
  • Filevine

Milvus 和 Qdrant 扩展性对比：十亿级向量检索怎么撑？

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。

Qdrant 采用 shared-nothing 模式：每个节点自己存储、建索引、服务自己的分片。官方文档写明，自建集群的分片数不重建 collection 就无法修改，新节点加入时是空的，自动 rebalance 和 resharding 只在 Qdrant Cloud 提供；文档建议起步时设 12 个分片。

数百亿Milvus Distributed 支持的向量规模查看来源
百万级partition key 支持的单 collection 租户数查看来源
40K+milvus-io/milvus GitHub star查看来源
扩展性与大规模多租户（依据双方官方文档）
能力MilvusQdrant（自建）
架构存算分离：proxy、streaming、query、data 节点对等节点，Raft 维护集群拓扑和 collection 元数据
数据存放对象存储（S3、MinIO、Azure Blob、GCS），WAL 也在其中各节点本地 mmap 文件
节点独立扩缩query、streaming、data 节点分别扩缩每个节点同时负责存储、建索引和查询
新增节点从对象存储加载 segment空节点，需迁移分片
分片与 resharding分片数建表时设定；segment 可分布到任意数量的 query 节点不重建 collection 无法改分片数；resharding 仅 Qdrant Cloud
数据超过单节点容量tiered storage 按需拉取字段数据本地磁盘上的 cached / cold 分层
大规模多租户partition key 支持百万级租户；也可按 database、collection、partition 隔离is_tenant payload 索引；tiered multitenancy 把大租户提升到独占分片

Milvus 和 Qdrant 性能对比：谁更快？

向量数据库性能对比看 VectorDBBench 排行榜：无论纯向量检索还是过滤检索性能，Zilliz Cloud 和自建 Milvus 的 QPS 都是 Qdrant Cloud 的数倍，P99 延迟也更低。

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
  • Qdrant CloudQdrantCloud-16c64g1,242.43 QPSP99 6.4 ms · 召回率 0.9474

来源：VectorDBBench，配置标签按原始结果列出。结果随配置变化，请在自己的数据上复测。

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
  • Qdrant CloudQdrantCloud-16c64g-payload-index1,494.53 QPSP99 7.0 ms · 召回率 1.0

来源：VectorDBBench 排行榜（zilliz.com/vdbbench-leaderboard），系统标签原样引用。结果因配置而异，建议用自己的数据跑一遍。

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

Qdrant 和 Milvus 功能对比：向量数据库对比表

两者都覆盖了现代检索的核心能力。常有人问：Qdrant 支持混合检索吗？支持，Query API 用 prefetch 配 RRF 或 DBSF 融合。差别在广度：Milvus 的索引类型更多，便于按成本和硬件选型，全文检索有服务端内置的 BM25 函数，过滤是先过滤再做 ANN。

功能对比：索引类型、量化、混合检索、过滤执行方式、生态集成、部署方式与 SDK
功能MilvusQdrant
稠密向量索引类型HNSW、IVF（FLAT、SQ8、PQ、RaBitQ）、SCANN、DiskANN、GPU（CAGRA、IVF）HNSW
量化SQ8、PQ、PRQ、RaBitQ；HNSW_SQ、HNSW_PQ、HNSW_PRQ标量、二值（1、1.5、2 bit）、乘积、非对称量化
稀疏向量SPARSE_INVERTED_INDEX稀疏向量，倒排索引
BM25 与全文检索内置 BM25 函数，服务端把原始文本转成稀疏向量full-text payload 索引；BM25 通过 qdrant/bm25 模型或 FastEmbed 生成，配 IDF modifier
混合检索单次查询多个向量字段，RRF 或加权 ranker 融合Query API prefetch，RRF 或 DBSF 融合
多向量默认每个 collection 最多 10 个向量字段named vectors；multivector 支持 MAX_SIM
JSON / payload 过滤与索引JSON 字段 + JSON path 索引；INVERTED、BITMAP、STL_SORT 标量索引keyword、integer、float、bool、geo、datetime、uuid、text 索引；filterable HNSW
过滤执行方式先按标量条件过滤，再在命中集合内做 ANN 检索；复杂表达式可用 iterative_filter hint带 payload 索引的 filterable HNSW
多租户database、collection、partition 或 partition keyis_tenant 索引、自定义 shard key、tiered multitenancy
部署方式Milvus Lite、Standalone、Distributed、Zilliz Cloud本地模式、单机（Docker）、集群、Qdrant Cloud、Hybrid Cloud、Private Cloud
许可证与社区Apache-2.0；Go 和 C++（Knowhere 引擎）；LF AI & Data 毕业项目；GitHub 40K+ starApache-2.0；GitHub 30K+ star
SDK 语言Python、Java、Go、Node.js、C#、C++、Rust、RESTfulPython、JavaScript/TypeScript、Rust、Go、.NET、Java
框架集成langchain-milvus、LlamaIndex、Haystack、Dify、n8nlangchain-qdrant、llama-index-vector-stores-qdrant

Milvus 和 Qdrant 哪个更容易自建部署？

Qdrant 一条 docker run 就能起，每个节点始终是一个二进制。Milvus 按数据量分三种形态：嵌在 pymilvus 里的 Milvus Lite（Milvus 轻量级版本）、单容器的 Standalone、Kubernetes 上的 Milvus 分布式部署（Distributed）。运行成本取决于数据放在哪：Milvus 把 segment 放对象存储，query 节点只按热数据配容量；Qdrant 每个节点都要用本地内存和磁盘装下自己的分片。

按阶段看部署与运维（依据双方安装文档）
阶段MilvusQdrant
原型验证pip install pymilvus 即进程内运行 Milvus Lite，数百万向量以内docker run qdrant/qdrant，或 Python 客户端的本地模式
单机Standalone：单容器、内嵌 etcd，约 1 亿向量以内单节点，分片在本地磁盘
集群Distributed：Kubernetes 上用 Milvus Operator 或 Helm 部署，数据在对象存储；1 亿到数百亿向量Raft 对等节点；分片数要提前定，文档建议从 12 起步

Qdrant 和 Milvus 哪个好？什么情况下 Qdrant 更合适

Qdrant 的对等节点部署可减少需要运维的服务类型。应根据分片规划、过滤需求、运维条件和实测性能选择，不能把集合规模当作产品能力的硬边界。

  • 数据能放进单机或小集群，分片数可以一开始就定好。
  • 只想跑一个 Rust 进程的 Docker 容器，不引入对象存储和 Kubernetes。
  • 内存吃紧，需要精细调标量、二值、乘积或非对称量化。
  • 已经在用 Qdrant Cloud，rebalance 和 resharding 由平台托管。
  • SaaS 中少数大租户适合 tiered multitenancy 的独占分片。

Milvus 还是 Qdrant：一张选型清单

Qdrant 和 Milvus 对比很少卡在功能上，分歧是规模和运维，对着下表找自己的情况。

开源向量数据库选型：各场景选谁
你的情况选择
数据一台机器放得下，而且会一直放得下Qdrant 单节点或 Milvus Standalone
数据量、租户数或流量会超过一台机器Milvus Distributed：新 query 节点直接从对象存储加载 segment
单个 collection 里有百万级租户Milvus partition key
少数几个大租户Qdrant tiered multitenancy，或 Milvus 每租户一个 collection
一次查询同时要关键词和语义相关性Milvus 服务端 BM25 配 hybrid_search；Qdrant 用 qdrant/bm25 模型
完全不想自己跑集群Zilliz Cloud 或 Qdrant Cloud

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：

  • OpenEvidence：基于 Zilliz Cloud，检索延迟低于 10 ms，峰值 4,000 QPS。
  • Plaud：每个区域 100 亿+ 向量块，平均召回延迟低于 200 ms。
  • Exa：借助混合检索，神经搜索延迟从秒级降到 200 ms 以内。
  • Airtable：在 Kubernetes 上用 Milvus Operator 自建 Milvus，支撑语义检索。

用户案例

Filevine

在 Zilliz Cloud 上管理 300 亿向量，覆盖数百万份法律文档。

阅读案例

美团

自建 Milvus 生产环境承载 100 亿+ 向量，单个 collection 超过 20 亿。

阅读案例

Read AI

基于 Milvus 为数百万月活用户提供 20–50 ms 检索延迟，活跃租户达百万级。

阅读案例

延伸阅读

常见问题

Milvus 和 Qdrant 谁更快？

VectorDBBench Cohere 1M 测试中，Milvus-16c64g-sq8-force_merge 为 5,973 QPS（召回率 0.9192），QdrantCloud-16c64g 为 1,242.43 QPS（0.9474）。10M 数据边写入 500 行/秒边查询时，QdrantCloud-16c64g 为 393.8 QPS，该 Milvus 配置为 306。

Qdrant 能扩展到十亿级向量吗？

Qdrant 靠加节点、加分片横向扩展。自建集群的分片数建表时固定，新节点加入时为空；resharding 和自动 rebalance 只在 Qdrant Cloud 提供。Milvus Distributed 文档标称支持数百亿向量。

Milvus 和 Qdrant 哪个更容易自建部署？

单节点 Qdrant 就是一个二进制，起得最快。Milvus Lite（pip 安装）和 Standalone（单容器、内嵌 etcd）同样简单；Distributed 多出 Kubernetes 和对象存储，换来各类节点独立扩缩。

什么规模需要分布式向量数据库？

按 Milvus 文档：Milvus Lite 适合数百万向量以内，Standalone 单容器到约 1 亿，Distributed 覆盖 1 亿到数百亿。

从 Qdrant 切换到 Milvus 要重新生成向量吗？

不用。VTS（Vector Transport Service）把 Qdrant 列为源端连接器，collection、向量和 payload 原样拷贝。把 payload 字段映射成标量或 JSON 字段，建好索引，双写到结果对齐再切流量。

RAG 场景该选 Milvus 还是 Qdrant？

两者都能做带过滤和混合检索的 RAG。语料和租户数增长后，Milvus 的服务端 BM25、更多索引类型和 partition key 多租户更有优势；集合规模稳定的场景，Qdrant 也够用。

不想自己运维集群？

Zilliz Cloud 是 Milvus 原班团队提供的全托管服务，MilvusClient API 与本地一致。可以先用开源 Milvus 起步，再迁到托管服务，应用代码不用重写。

开始 Milvus 快速入门试用 Zilliz Cloud 托管 Milvus
资料来源与技术文档 (45)