向量数据库选型纠结死了，Milvus和Qdrant到底怎么选？

几十万切片真不算大，pgvector召回差多半是索引没调对或者ef_search给太小了。我两个都用过，Qdrant在百万级以内延迟很稳，过滤条件支持也灵活，LangChain集成开箱即用。Milvus功能确实更全，但etcd加minio那套运维成本对小项目有点劝退。你要是不打算上千万级，Qdrant先跑着，真扛不住了再迁也不迟。

我之前也遇到过类似问题，后来换了方案。

几十万切片其实两个都扛得住，别被Milvus那套分布式架构吓到，单机模式跑起来也没那么重。我之前用Qdrant配LangChain挺顺的，filtered search对时间、类别这种标量过滤支持得很自然，payload索引也够用。召回率差不一定全是库的锅，可以先看看embedding模型和chunk策略，pgvector调好HNSW参数其实没那么拉。真要上百万级再考虑Milvus的分布式能力，现在这量级Qdrant够你玩很久了。

我们线上Qdrant跑了快两百万条1536维的，延迟基本稳定在几十毫秒，过滤条件用payload索引配合得挺顺，LangChain那边有现成的vectorstore封装直接调就行。Milvus功能确实更全，但几十万这个量级上它那套部署成本真有点杀鸡用牛刀的意思。你担心的撑不住问题，Qdrant单机到百万级问题不大，再往上分片也能扩，社区更新也挺勤的。不过要是后面过滤逻辑特别复杂、需要多条件组合查询，建议先拿你们真实数据压测一下再定。