百万级向量选型难题:pgvector融合省心,Milvus极致但重?
2026年,随着大模型应用从概念验证走向生产落地,向量数据库已成为AI系统的核心组件。但对多数团队而言,真正的难题不是“要不要用”,而是“该用哪个”。尤其当项目处于百万级向量规模、需结合业务字段过滤、且已有PostgreSQL基础设施时,pgvector与Milvus的选型常令人犹豫不决。本文聚焦这一典型场景,从架构定位、性能表现、运维成本和适用边界四个维度,进行客观对比与决策指引,帮助谨慎型用户避开“过度设计”或“能力不足”的陷阱。
01架构定位差异
02性能与规模适配
| 维度 | pgvector | Milvus |
|---|---|---|
| 适用数据规模 | ≤5000万向量 | 千万级至百亿级 |
| 混合查询(向量+结构化过滤) | 原生SQL支持,但早期版本易因过滤过严返回空结果;0.8.0引入迭代扫描改善 | 原生支持带过滤的ANN,召回更稳定 |
| 纯向量检索延迟(百万级) | 约50–200ms(依赖索引与硬件) | 通常<50ms,部分场景可达10ms内 |
| 内存占用 | HNSW索引较吃内存,高维向量易触发TOAST机制增加I/O | 专为向量优化,压缩算法更高效,内存控制更精细 |
| 索引构建速度 | HNSW构建慢,IVFFlat较快但需数据预热 | 支持后台异步构建,分布式加速 |
03运维与成本对比
运维复杂度对比
pgvector
无需新增数据库实例,复用现有PostgreSQL监控、备份、高可用体系
开发只需掌握SQL,无需学习新API或SDK
自托管成本极低,无云服务月费


Milvus
需独立部署与维护,涉及多个微服务组件
需额外配置监控、日志、扩缩容策略
云托管版(如Zilliz Cloud)成本显著高于自建pgvector
04关键局限与避坑指南
- pgvector的维度限制:vector类型虽可存储最高16000维,但HNSW/IVFFlat索引仅支持≤2000维
。若使用BGE-large等4096维模型,必须改用halfvec类型并接受精度损失 。 - 索引操作符匹配陷阱:用vector_cosine_ops创建索引后,查询必须使用<=>运算符,否则索引失效,退化为全表扫描,性能暴跌可达600倍
。 - Milvus的学习曲线:虽功能强大,但需理解Collection、Partition、Index等概念,且Python SDK与Go SDK行为存在差异,初期调试成本较高
。 - 高并发下的连接瓶颈:pgvector受限于PostgreSQL的进程模型,在极高并发下可能成为瓶颈;而Milvus的Proxy层天然支持连接池与负载均衡
。
05选购建议
- 选pgvector,如果:• 已有PostgreSQL生产环境
• 向量规模<1000万
• 查询需频繁结合业务字段过滤(如按部门、时间、状态筛选)
• 团队希望最小化技术栈变更与运维负担 - 选Milvus,如果:• 向量规模≥5000万或预期快速增长
• 对查询延迟要求严苛(需稳定<50ms)
• 需要多条件过滤下仍保证Top-K结果
• 团队具备容器化与分布式系统运维能力 - 折中路径:从小规模pgvector起步,当性能或功能触及边界时,通过双写或迁移工具平滑过渡至Milvus——这是多数务实团队的演进路线
。
当前文章无评论,是时候发表评论了