最近社区里关于Milvus、Qdrant、Chroma的对比讨论很多，我也花了两周时间在三个库上分别跑了RAG+多模态检索的混合负载。先说结论：纯看基准测试，Qdrant的单机QPS确实能打，但一旦涉及复杂过滤（比如时间+标签+向量联合查询），Milvus的索引下推优势明显，而Chroma在快速原型阶段简直不要太爽。
技术层面，我特别关注了Qdrant的HNSW实现——它的边修剪策略比Milvus更激进，导致内存占用低但召回率波动大。而Milvus的Knowhere 2.x在GPU加速和量化压缩上确实下了功夫，但部署时那个etcd+minIO的依赖链让人头疼。Chroma则完全放弃了分布式，用sqlite硬扛，适合开发者个人玩具但千万别上生产。
个人经验：如果你的核心场景是单机低延迟且数据量小于100万，Qdrant的filtered search性能碾压；如果必须上云且需要动态schema，Milvus的collection设计更灵活。但最让我意外的是Chroma的embedding函数集成——直接对接OpenAI和HuggingFace的API，写demo只用10行代码。
抛两个问题：1）大家在实际业务中，向量数据库的冷热数据分离怎么做的？2）有谁在生产环境里用过Chroma的分布式扩展（比如Chroma Cloud）？欢迎分享踩坑经验。
行业趋势上，我认为向量数据库会像当年的OLAP引擎一样分化：专用场景（如推荐系统）被Milvus/Qdrant吃掉，而通用场景会被数据库内置的向量插件（如pgvector）逐步替代。选型时别只看跑分，先想清楚你的查询模式是纯向量搜索还是混合过滤。