向量数据库在 AI 应用中的角色：从 Milvus 到 Chroma
什么是向量数据库
随着大语言模型（LLM）和 RAG（检索增强生成）技术的普及，向量数据库逐渐从一个小众技术领域走进了每位 AI 开发者的视野。简单来说，向量数据库是一种专门用于存储、索引和查询向量嵌入（embedding）的数据库系统。它将非结构化数据（文本、图像、音频）转换为高维向量，并基于向量之间的相似度进行检索。
为什么 AI 应用需要向量数据库
传统的关系型数据库基于精确匹配或模糊匹配（如 SQL 的 LIKE 查询），无法理解语义。而向量数据库的核心能力在于语义搜索——它可以通过余弦相似度、欧几里得距离等度量方式，找到「意思最接近」的内容，即使关键词完全不同。
这一能力恰好弥补了 LLM 的两个核心短板：
- 知识截止日期：LLM 的训练数据有截断时间，无法获知最新信息。通过 RAG 架构，向量数据库能让模型检索到最新的上下文信息。
- 幻觉问题：LLM 倾向于「编造」不确定的事实。向量数据库提供的外部知识可以约束模型输出，使其基于真实数据进行回答。
RAG 的基本工作流程如下：
- 将文档切分为 chunks（通常 256-1024 tokens）
- 用 embedding 模型（如 text-embedding-3-small、bge-large）将每个 chunk 转为向量
- 将向量存入向量数据库，同时存储原始文本
- 用户提问时，将问题转为向量，在数据库中做近似最近邻搜索（ANN）
- 返回最相似的 top-k chunks，拼入 prompt 送给 LLM
主流向量数据库对比
Milvus
Milvus 是目前功能最完备的开源向量数据库，由 Zilliz 开发，已被超过 10,000 家企业采用。它的核心优势在于分布式架构和强大的索引算法支持：
- 多种索引类型：IVF_FLAT、HNSW、DiskANN 等，覆盖从精确到近似的各种检索场景
- 混合搜索：支持向量相似度 + 标量字段过滤的组合查询
- 分布式扩展：通过 MQ（Pulsar/Kafka）实现写扩展，支持百亿级向量规模
- GPU 加速：支持 GPU 索引构建和查询，大幅提升吞吐
Milvus 适合大规模生产环境，但部署相对复杂。官方提供了 Milvus Cluster（Kubernetes）和 Milvus Lite（单机嵌入式）两种模式，后者适合开发和测试。
Chroma
Chroma 是主打「开发者友好」的轻量级向量数据库，Pythonic 的 API 设计让它成为 AI 原型开发的首选：
- 极简 API：四行代码就能完成文档索引和检索
- 自动 embedding：内置了 HuggingFace 和 OpenAI embedding 集成，无需额外配置
- 内存模式：默认运行在内存中，可持久化到磁盘
- Python 生态集成：与 LangChain、LlamaIndex 等框架深度整合
Chroma 的定位是「AI 应用的向量数据库」，而不是「分布式数据平台」。它在原型验证和小型项目中表现极佳，但单节点设计限制了它在超大规模场景下的应用。
其他值得关注的选项
- Pinecone：全托管 SaaS 方案，零运维成本，但价格较高
- Weaviate：支持丰富的模块化架构，内置向量化和生成模块
- Qdrant：Rust 编写的高性能向量数据库，单机性能出色
- PGVector：PostgreSQL 的向量扩展，适合已有 PG 基础设施的团队
实际选型建议
根据项目阶段选择最适合的方案：
- 原型验证 / MVP：Chroma 或 PGVector，零部署成本，快速迭代
- 中小规模生产（百万级向量）：Qdrant 或 Weaviate，部署简单，性能可靠
- 大规模生产（亿级向量）：Milvus 或 Pinecone，分布式架构保证线性扩展
另外有一个经常被忽视的决策维度——embedding 模型与向量数据库的协同。不同 embedding 模型输出的向量维度不同（如 ada-002 是 1536 维，bge 系列从 384 到 1024 不等），选择数据库时需要确认对向量维度的支持上限。
性能调优要点
无论选择哪个向量数据库，以下几个参数对检索效果影响最大：
- chunk 大小：太大会包含噪声，太小会失去语义完整性。经验值是 256-512 tokens，重叠 10-20%。
- top-k 选择：通常 3-10 个 chunks 效果最佳。过多的上下文会稀释 LLM 的注意力。
- 索引参数：HNSW 的 efConstruction 和 M 参数需要在构建速度和召回率之间做权衡。
- 相似度阈值：设定最小相似度分数（如 0.75），过滤掉低质量的检索结果。
总结
向量数据库已经从「有没有必要用」的阶段进入了「怎么用好」的阶段。对于 AI 应用开发者来说，理解不同向量数据库的定位和权衡，比纠结于某一种技术的细节更重要。从 Milvus 的工业级能力到 Chroma 的极简体验，向量数据库正在不断降低 AI 应用的门槛，让开发者能更专注于业务逻辑而非基础设施。
