优势
不足
产品信息
详细说明
服务商概述
Milvus 由 Zilliz 于 2019 年开源并捐入 LF AI & Data 基金会,用 Go 与 C++ 编写,采用存算分离与分布式架构(etcd、对象存储、消息队列、查询节点协作),是开源向量数据库中最具代表性的项目。
对后端与数据库场景,它的价值是「大规模向量的可控成本」:支持 HNSW、IVF、DiskANN、GPU 索引等多种索引类型,可按数据规模与延迟要求选择;分布式架构让它能承载十亿级向量,且可自建以规避按量计费的长期成本。
限制是运维复杂度:分布式集群组件多(etcd、MinIO/S3、Pulsar/Kafka、Query/Index/Data 节点),运维成本明显高于纯托管方案;小规模场景用单机版(Milvus Lite/Standalone)即可,但要注意其与集群版的能力差异。
核心优势
- 多种索引类型(HNSW、IVF、DiskANN、GPU),可按规模与延迟取舍
- 存算分离分布式架构,可承载十亿级向量并水平扩展
- 支持标量与向量混合过滤,满足 RAG 中的元数据约束
- 开源(Apache 2.0)且由 LF AI 基金会治理,无厂商锁定
产品生态
索引与检索
HNSW 追求低延迟召回,IVF 系列适合大库内存受限,DiskANN 支持磁盘级索引降低成本。
分布式组件
etcd 存元数据、对象存储放数据、消息队列做日志,查询与索引节点可独立扩缩。
生态与工具
Attu 管理界面、多种语言 SDK,以及与 LangChain、LlamaIndex 等框架的原生集成。
不足之处
- 分布式集群组件多,运维与调优门槛明显高于托管向量库
- 内存与索引参数(nlist、M、ef)配置不当会显著影响召回率
- 单机版与集群版能力有差异,迁移需重新评估索引策略
- 中文文档质量较好但英文社区讨论少于 pgvector 生态
适用场景
- RAG 知识库检索(★★★★★):混合过滤与高召回
- 十亿级向量检索(★★★★★):分布式水平扩展
- 以图搜图与多模态检索(★★★★):多种索引与 GPU 加速
- 小规模快速验证(★★★★):建议先用 Lite 或托管
价格参考
| 套餐 | 价格 | 能力边界 |
|---|---|---|
| Milvus 开源版 | $0 | Apache 2.0,自建自运维 |
| Zilliz Cloud | 按 CU 与存储用量计费 | 托管,免运维按需扩展 |
| 云市场托管(其他厂商) | 按实例规格 | 自管或半托管部署 |
开源版免费但集群至少需要多台机器与对象存储、消息队列;小规模可用单机版降低门槛。托管服务按计算单元与存储计费,向量规模在千万级以下时托管更省,上亿级后自建才体现成本优势。
常见问题
-
Milvus 和 pgvector 怎么选? 向量规模在千万级以内且已有 PostgreSQL,用 pgvector 最省事;上亿级或需要多索引类型与分布式扩展选 Milvus。
-
召回率不高怎么办? 先检查索引类型与参数(HNSW 的 M 与 ef、IVF 的 nlist 与 nprobe),再看 embedding 模型是否适配语种与业务;索引参数与模型往往比数据库本身更影响效果。
-
能自建单机吗? 可以,Milvus Lite 与 Standalone 适合开发与中小规模;但生产高可用需完整分布式部署,两者能力和运维方式差异较大。