部署 AI Agent 或 RAG 应用时，向量数据库怎么选？Milvus、Qdrant、Weaviate 和 PostgreSQL（pgvector）是四个最常被提到的方案。主机选技术博客经常收到这类咨询：我只有一台 2C4G 的 VPS，跑 Claude Code 或 n8n 工作流，该用哪个？本文直接从实战角度拆解它们的资源占用、部署难度、查询性能和适用场景，帮你少走弯路。
向量数据库怎么选？先看你的场景
选择向量数据库之前，先回答三个问题：
1.数据量：几万条还是几百万条向量？
2.实时性：需要毫秒级检索还是可以接受秒级？
3.运维能力：你愿意花多少时间维护数据库？
不同答案直接决定选型方向。下面逐一拆解四个方案的硬指标。
Milvus：大规模生产环境的首选
Milvus 是专为向量检索设计的分布式数据库，支持十亿级向量索引（IVF、HNSW、DiskANN）。如果你的数据量超过 100 万条，且对召回率和延迟要求高，它是最成熟的选择。
部署与资源
docker-compose -f milvus-standalone-docker-compose.yml up -d
实际跑起来，Milvus 的 etcd、minio、standalone 三个容器会吃掉 3-4GB 内存。2C4G 的 VPS 很难稳定运行，建议最低 4C8G。如果只有轻量服务器，优先考虑 Qdrant 或 pgvector。
适用场景
• 电商图片搜索、百万级文档嵌入
• 需要高并发、分布式扩展的 AI 产品
• 你愿意投入精力学习 Milvus 的索引参数调优
Qdrant：轻量、高性能、Docker 友好
Qdrant 是用 Rust 写的，单机性能极高，内存管理比 Milvus 好很多。2C4G 的 VPS 跑 Qdrant + 10 万条 768 维向量很轻松。
部署命令
docker run -d -p 6333:6333 qdrant/qdrant
启动后默认监听 6333，提供 REST API 和 gRPC。内存占用根据向量数量动态调整，初始约 200MB。索引默认用 HNSW，查询延迟在 10ms 以内。
适用场景
• 中小规模 RAG（检索增强生成）应用
• n8n 或 Open WebUI 的向量存储后端
• 个人项目、自动化工作流，不想折腾复杂运维
Weaviate：自带推理模块的“全家桶”
Weaviate 集成了向量化、存储、检索和推理功能。你可以直接传入文本，它自动调用 OpenAI、Cohere 或本地模型生成向量。对新手友好，但资源开销比 Qdrant 高。
部署与资源
docker run -d -p 8080:8080 semitechnologies/weaviate:latest
默认启动需要 1-2GB 内存，如果启用 text2vec 模块（调用外部 API），额外消耗网络和 CPU。2C4G 勉强能跑，但建议 4C8G。
适用场景
• 不想自己写向量化代码的团队
• 需要混合搜索（向量+关键词）的场景
• 快速原型验证，但生产环境需注意 API 费用
PostgreSQL + pgvector：数据库老玩家的利器
如果你已经在用 PostgreSQL，pgvector 扩展是最省事的方案。它把向量索引作为普通列存储，支持 HNSW 和 IVFFlat 索引。缺点是查询性能在大数据量下不如专用向量库。
安装与配置
git clone https://github.com/pgvector/pgvector.git
cd pgvector && make && make install
CREATE EXTENSION vector;
创建表时定义向量列：
sql
CREATE TABLE items (id bigserial, embedding vector(768));
CREATE INDEX ON items USING hnsw (embedding vector_cosine_ops);
适用场景
• 已有 PostgreSQL 业务，不想引入新组件
• 数据量在 10 万条以下，对延迟不敏感
• 需要事务、ACID 保证的混合应用（如用户权限+向量检索）
老鸟叮嘱：避坑指南
1.别盲目上 Milvus：2C4G 的 VPS 跑 Milvus 会频繁 OOM，老老实实用 Qdrant 或 pgvector。
2.索引类型别选错：IVFFlat 适合快速插入但查询慢，HNSW 适合高召回但内存消耗大。10 万条以下用 HNSW 没问题。
3.向量维度别太高：常见模型输出 768 或 1024 维，有人硬上 4096 维，索引构建慢到怀疑人生。
4.端口安全：Qdrant 默认 6333 端口别裸奔，用 Nginx 反向代理加 API Key 鉴权。Weaviate 同理。
5.备份策略：Milvus 和 Qdrant 都支持快照，pgvector 直接备份 PostgreSQL 即可。别等数据丢了才想起备份。
FAQ
问：1C2G 的 VPS 能跑哪个向量数据库？
答：只能跑 pgvector（PostgreSQL 本身需要 1GB 内存），或者用 Qdrant 的轻量模式（限制内存上限）。Milvus 和 Weaviate 基本没戏。
问：Qdrant 和 pgvector 哪个查询更快？
答：10 万条以内两者差距不大。超过 50 万条，Qdrant 的 HNSW 索引比 pgvector 的 IVFFlat 快 2-3 倍。
问：我在用 n8n 做自动化工作流，该选哪个？
答：n8n 官方支持 Qdrant 和 Weaviate 节点，后者需要配置 API Key。建议 Qdrant，部署简单，内存占用低。
问：Milvus 的分布式模式在 VPS 上能部署吗？
答：很难。分布式模式需要至少 3 台节点，每台 8GB 内存起。个人用户用 standalone 模式即可。
问：pgvector 的 HNSW 索引和 Qdrant 的 HNSW 有区别吗？
答：底层算法类似，但 Qdrant 做了大量内存和 I/O 优化，同等硬件下 Qdrant 的吞吐量更高。
问：向量数据库需要 GPU 吗？
答：不需要。向量检索是 CPU 密集型，GPU 只在生成向量时有用。部署在 VPS 上，CPU 内存够就行。
选型没有绝对好坏，关键是匹配你的数据量、硬件和运维能力。对于大多数个人开发者和中小项目，Qdrant 是平衡点最好的选择；如果你已经用 PostgreSQL，pgvector 零成本接入；数据量上百万且团队有运维经验，Milvus 值得投资。别纠结参数，先跑起来再说。
—
**相关阅读：**
– [VPS部署AI工具100讲：AI Agent、Codex、Claude Code、Hermes Agent、Ollama与自动化工作流实战教程](https://www.zhujixuan.com/jishujiaocheng/9606.html)
– [n8n VPS 部署教程：搭建自己的自动化工作流平台](https://www.zhujixuan.com/jishujiaocheng/9892.html)
– [AI Agent自动化运维实战100讲：VPS巡检、日志分析、告警处理与工作流教程](https://www.zhujixuan.com/jishujiaocheng/10066.html)
转载请注明出处：https://www.zhujixuan.com/jishujiaocheng/9888.html 商家投稿邮箱：zhujixuanblog@qq.com
