← 六张分榜 · 选型矩阵

向量库榜：10 个方案，按上手成本排

检索的底座。选哪个由数据规模和运维能力决定，不是由热度决定。

这类方案怎么挑

• 十万条以内，嵌入式库（LanceDB/Chroma）比集群方案省事十倍。
• 已有 PostgreSQL 就先用 pgvector，少一个组件就少一类故障。
• 亿级以上才轮到 Milvus/Vespa 这种重型方案，且要有人专职运维。

榜单

1. Chroma — Docker；向量库；显存 无；难度 1/5；Apache-2.0。
   上手最快的向量库，Python 一行就能起，原型阶段几乎零门槛。 注意：单机版的持久化与并发能力有限，数据量一上来就得换；别当生产底座。
2. LanceDB — 单机；向量库；显存 无；难度 1/5；Apache-2.0。
   嵌入式列存向量库，本地目录即数据库，不部署服务也能检索。 注意：多写并发有限；生态和社区规模小于主流库，遇到问题资料少。
3. FAISS — 单机；向量库；显存 无；难度 2/5；MIT。
   库而非服务，索引算法最全，离线批量检索的速度标杆。 注意：没有服务端、持久化和并发控制，落地要自己包一层；索引文件版本兼容性一般。
4. Qdrant — Docker；向量库；显存 无；难度 2/5；Apache-2.0。
   Rust 写的向量库，单机 Docker 一条命令起来，带过滤检索和混合检索。 注意：分片与内存规划要提前算；数据量大时内存占用比预期的凶。
5. pgvector — 单机；向量库；显存 无；难度 2/5；PostgreSQL。
   向量直接放进 PostgreSQL，事务、权限、备份全复用现有数据库体系。 注意：千万级以上要调 HNSW 参数，索引构建吃内存；高并发检索不如专用库。
6. Infinity — Docker；向量库；显存 4G；难度 2/5；MIT。
   embedding / rerank 推理服务，把检索模型单独架起来给多个应用共用。 注意：只管模型推理，不存向量；要配向量库一起用。
7. OpenSearch — Docker；向量库；显存 无；难度 3/5；Apache-2.0。
   带 k-NN 的搜索栈，已有 Elasticsearch 经验的团队可以直接迁移思路。 注意：向量检索性能与功能不如专用库；集群运维和 JVM 调优是长期成本。
8. Weaviate — Docker；向量库；显存 无；难度 3/5；BSD-3-Clause。
   schema 化的向量库，自带向量化模块，混合检索（BM25 + 向量）成熟。 注意：模块化设计前期概念多；内存占用偏高，小机器容易 OOM。
9. Milvus — K8s；向量库；显存 无；难度 4/5；Apache-2.0。
   功能最全的向量库，十亿级规模也能撑，中文文档与生态最完整。 注意：组件多（etcd、对象存储），单机版也重；几万条数据用它属于杀鸡用牛刀。
10. Vespa — K8s；向量库；显存 无；难度 4/5；Apache-2.0。
    检索 + 排序 + 向量一体，相关性调优能力最强，适合复杂搜索场景。 注意：概念与配置体系复杂，运维门槛高；没有专职平台团队别碰。

字段核验：2026-11。榜单免费，多条件筛选、CSV 导出与 MCP 接入在会员里。