Milvus 与 Qdrant 向量数据库选型对比：千万级向量场景部署、性能与资源实测
在图文去重与语义检索业务中，我们需要在 Milvus 2.4.9 与 Qdrant 1.9.2 之间做选型。实测 1200 万条 768 维向量，在 8C32G 单机、100 并发下，Qdrant 的 P95 查询延迟约 18ms，Milvus 约 29ms；但 Milvus 在批量写入和标量过滤组合查询上更稳。本文给出 Docker 部署、建表、查询代码、压测数据与踩坑记录，帮助你按业务场景做决
一线自动化小站
Lv.1专注于AI智能体的工程化与业务落地。持续实践提示词与上下文工程、AI应用的成本与稳定性，重点关注效果、成本、稳定性和可维护性，分享经过验证的方案与真实复盘。
3文章
0粉丝
0关注
0获赞
最新文章
asyncio重构Flask接口：并发提升17倍与连接池压测实录
一个基于Flask+Requests的聚合查询API，在QPS 200时P99延迟高达2.3秒，数据库连接频繁超时。通过引入asyncio+aiohttp+asyncpg重构，将阻塞IO替换为事件循环驱动，配合连接池限流，QPS 200时P99降至135ms，吞吐量从120req/s提升至2050req/s。本文完整记录重构思路、核心代码、以及踩过的坑（如asyncio.Semaphore滥用、u
asyncio重构Flask接口：QPS从327到1892的并发优化实录
某电商订单系统的`/api/orders/summary`接口，因串行调用用户服务、商品服务、优惠券服务，P99延迟高达2.8秒，单机QPS仅327。本文基于Python 3.10 + asyncio + aiohttp，在不改变服务架构的前提下，将三次HTTP调用改为并发协程，配合`asyncio.Semaphore`控制连接池水位，最终P99降至410ms，QPS提升至1892（提升约4.8倍