向量数据库选型避坑：我在生产环境踩过的三个真实案例
从 Pinecone、Weaviate、pgvector 到 Qdrant，500万向量、10万QPS 生产场景的真实对比和选型结论。
# 向量数据库选型避坑：我在生产环境踩过的三个真实案例
去年我们团队做了一个基于向量检索的内容推荐系统，选型阶段看了至少十篇"XX vs XX 对比"的文章，结果上线后才发现：**文档里写得好用的，生产环境完全不是一回事**。
这篇文章记录我们踩过的三个坑，以及最终的选型结论。
背景
我们的场景：电商平台的商品推荐，每天新增 5000+ 商品向量，日均查询量 10 万+，延迟要求 P99 < 100ms。
候选方案：Pinecone、Weaviate、Milvus、Qdrant、pgvector。
坑一：Pinecone 的"托管服务"不等于"零运维"
选型时 Pinecone 赢在"开箱即用"——注册账号，三行代码，跑起来。听起来很完美，对吧？
但上线两周后问题暴露了：
**问题1：查询延迟不稳定**
我们的 P99 延迟经常在 200-500ms 之间波动，跟 Pinecone 承诺的"<100ms"差距很大。排查后发现，Pinecone 的索引是分布式的，你的查询可能被路由到不同区域的后端，网络延迟不可控。
**问题2：冷启动慢**
每天凌晨我们会重新索引新增的商品向量。Pinecone 的索引重建需要 10-15 分钟，这期间查询性能大幅下降。我们没有原生支持增量更新，只能接受全量重建。
**问题3：费用不可预测**
Pinecone 按"索引单位"收费，一个索引单位大约能存 10 万条向量。我们 500 万条向量需要 50 个单位，每月 $2500+。而且查询量也是按次计费，高峰期费用直接翻倍。
坑二：Weaviate 的"自动 Schema"是双刃剑
Weaviate 的卖点是最省心的 Schema 管理——你往里塞数据，它自动推断类型和关系。听起来很香，但：
**问题1：类型推断经常出错**
我们有个 price 字段，有时候是数字（19.99），有时候是 null。Weaviate 推断成 text 类型，导致数值范围查询完全失效。后来只能手动改 Schema，等于放弃了"自动"的优势。
**问题2：聚合查询性能差**
电商推荐需要按类别、价格区间、评分等条件做聚合过滤。Weaviate 的聚合查询在数据量大时明显变慢，P99 经常超过 500ms。
**问题3：集群部署复杂**
我们用 Docker Compose 部署，单节点扛不住 10 万 QPS。升级到集群后，发现节点间同步延迟很高，查询结果不一致。排了两天才搞定。
坑三：pgvector 的"简单"有代价
pgvector 是最"老实"的方案——就在 PostgreSQL 里加个扩展，SQL 直接查。对于熟悉 Postgres 的团队来说，上手成本最低。
**问题1：查询性能瓶颈**
我们用 IVFFlat 索引，100 万向量时查询延迟 < 50ms，看起来不错。但到了 500 万向量，延迟跳到 200ms+。而且 pgvector 不支持 HNSW 的动态调参，索引质量固定后难以优化。
**问题2：并发写入冲突**
我们每秒有 200+ 次写入（商品更新），pgvector 的写锁会导致查询排队。高峰期查询延迟直接飙到 1 秒以上。
**问题3：向量维度限制**
pgvector 默认最大 2000 维，我们需要 1536 维（OpenAI embedding），刚好卡在线上。如果未来换模型，可能还要改代码。
最终选型：Qdrant
经过三个月的实测对比，我们选了 Qdrant。原因：
**1. 性能达标**
同样的 500 万向量、10 万 QPS 场景，Qdrant P99 延迟稳定在 60-80ms，符合我们的 <100ms 要求。
**2. 过滤查询强大**
Qdrant 的 payload 系统支持复杂的过滤条件，我们可以直接在前端筛选条件映射为向量查询的 filter，不需要先过滤再检索。
**3. 部署灵活**
支持单机、集群、云托管（Qdrant Cloud）三种模式。我们先用 Docker 单机跑通了原型，验证效果后升级到集群，没有代码改动。
**4. 费用透明**
自托管零许可费，云托管按资源计费， predictable pricing。
选型建议
如果你也在选型，我的建议是：
2. **用真实数据测试**：拿你们的生产数据量，跑至少一周的压测。
3. **考虑运维成本**：托管服务省心但贵，自托管便宜但要招人维护。
4. **预留扩展空间**：数据量、查询量、维度数都可能增长，选一个容易扩展的方案。
一句话总结
向量数据库没有银弹。Pinecone 适合快速原型，Weaviate 适合语义搜索，pgvector 适合已有 Postgres 栈的团队，Qdrant 适合需要高性能和复杂过滤的生产环境。关键是**用自己的数据测，别信别人的 benchmark**。