一句话总结：向量库选型看规模与过滤需求——Milvus 管亿级分布式、Qdrant 性能与过滤最强（P99 29ms）、Weaviate 混合检索方便、Pinecone 免运维；ANN 索引三选一：HNSW（低延迟）、IVF（省内存）、DiskANN（十亿级）。

主流库对比（面试默写）

库	强项	适合
Milvus	分布式、亿级、四层架构（接入/协调/worker/存储）、GPU 加速	独立基础设施、大型知识库
Qdrant	Rust 原生 HNSW（比 C++ 快 30%）、Payload B-Tree 过滤最强	高性能 + 大量过滤
Weaviate	Vector+Keyword（BM25 原生）、GraphQL	快速原型、混合检索
Pinecone	托管免运维	预算充足、快速上线
Chroma	轻量本地	开发调试

实测（2026 大会）：P99 延迟 Qdrant 29.1ms < Milvus 42.3 < Weaviate 68.7；filter+ANN 吞吐衰减 Qdrant -12% 最抗过滤；内存密度 Qdrant 2.56 M vectors/GB 最高。

ANN 索引三选一

索引	原理	特点
HNSW	图结构	查询快、召回高；构建慢、内存大——低延迟首选
IVF	聚类 + 桶内检索	省内存、召回略降；IVF_SQ8 减 70-75% 内存
DiskANN	索引部分落盘	十亿级、牺牲延迟换规模

选型决策树

数据量 <1000万 → pgvector / Chroma（起步够用）
高性能 + 强过滤 → Qdrant
亿级 + 分布式 → Milvus
免运维快速上线 → Pinecone
混合检索优先 → Weaviate

面试要点

• 能默写五库各一强项
• 能说 HNSW/IVF/DiskANN 取舍（延迟 vs 内存 vs 规模）
• 能报 Qdrant 实测 P99 29ms / filter -12%
• 能按规模给选型（决策树）

相关概念

• [AI-Agent-向量数据库](/学习笔记/AI技术/AI Agent/AI-Agent-向量数据库) — 向量库原理
• [AI-Agent-RAG生产化与混合检索](/学习笔记/AI技术/AI Agent/AI-Agent-RAG生产化与混合检索) — 混合检索依赖
• [AI-Agent-向量数据库运维与一致性](/学习笔记/AI技术/AI Agent/AI-Agent-向量数据库运维与一致性) — 生产运维
• [AI-Agent-向量数据库分片与成本优化](/学习笔记/AI技术/AI Agent/AI-Agent-向量数据库分片与成本优化) — 扩容与降本