G2发布最新向量数据库报告，Zilliz斩获最佳性能与最易用荣誉

进入2025年，大模型已经过了天马行空的许愿阶段，向量数据库同样如此。

一方面，随着上下文窗口的不断增加，以及RAG、agent的普及，大模型已经进入加速落地阶段；

与此同时，与大模型相伴而生的向量数据库、框架、部署平台等生态也进入市场爆发期。其中，仅2023 年 1 月至 2025 年 1 月，关于“向量数据库”的搜索量增加了足足 11 倍。

在这一过程中，关于如何选择合适的向量数据库，如何低成本地使用向量数据库，成了无数开发者关心的重点问题。

不久前发布的G2 2025 年夏季 Grid® 报告给出了参考。

在这份报告中，比较值得一提的是，通过来自真实用户的认证评价，Zilliz 被评为向量数据库领域的“最佳表现者”和“最易使用者”，拿下双料冠军。

那么，G2 的参考性有什么？Zilliz又凭什么拿下双重认可？本文将做出重点解读。

01 G2的参考性是什么？

与传统给出八大维度，十二大指标的向量数据库评测不同在于，G2 的关注点只有一个，那就是真实用户满意度。因此，无论是大颗粒度的性能、价格、兼容性，还是小颗粒度的版本更新速度、社区反馈，全都同样重要。

因为作为一个大模型时代的全新产品，向量数据库本身仍在高速演进与发展中。因此，一定程度上，所有可以被细化陈列的指标大多是落后指标（当然，这些指标依然有用，也很重要，只是偶尔与现实以及体验脱节）。

举个简单的例子，很多向量数据库的报告，主要看的还是一些古早Benchmark测评数据，但这些Benchmark通常会做出一些不切实际的假设：比如，所有数据默认已经全部导入，索引已经完全建立。但在真实生产中，数据是持续流入的，系统不可能为了一次索引重建就停机几个小时。甚至，还会出现一边是数据持续写入，一边是需要复杂的元数据过滤的情况。

与此同时，这些Benchmark和报告评测的数据集本身也往往是过时的。比如，很多基准测试还在用 SIFT 或 GloVe，但是SIFT 只有 128 维，而 OpenAI、Cohere 的主流模型的embedding模型维度是 768~3072 维，这些数据集的维度远低于当前大模型生成的embedding维度。

再比如，并发测试吞吐量是个很重要的维度，但多数测评方式设定的并发数量和并发机制完全无法测试出database最佳性能。

因此，我们会看到这种现象：各种报告，还有企业都对外宣传自己是毫秒级查询速度，但实际上，就连已经被公认为是成熟产品的Elasticsearch ，只是优化索引的过程就需要 20 多小时，实际生产体验更是差强人意。

类似的评测与生产脱节的案例不胜枚举。因为，要想真实的评估一个向量数据库产品的表现，往往需要将其落到实际生产中，与无数细节较真，比如：怎么从百亿文档查重，怎么细化标签检索，怎么做高效混合检索，磁盘索引能带来多少内存优化，细节往往会直接决定用户的真实使用体验。

但这些看起来不起眼的功能，可能并不会成为主流评测的考量重点。因此，对于新兴行业而言，严谨的报告如forrester非常必要，它可以为行业提供一个框架性的思路指导；但G2这样的更关注细节、更重视实际用户体验的榜单也同样必不可少。

02 为什么是Zilliz？

在G2的这份榜单中，Zilliz是唯一拿下两个top1的厂商，而且被评价为同时兼顾高性能与易用性。

关于高性能，Zilliz Cloud 当下支持的查询速度达到了每秒 50,000 次，延迟可以降低至毫秒级，支持百亿级别的扩展等。此外，Zilliz Cloud还通过 AI 驱动的 Cardinal 搜索引擎和 AUTOINDEX，帮助用户实现更高效的检索，以及自动性能优化等能力。

而“最易使用”，则得益于Zilliz Cloud的低维护特性：通常来说，数据库需要专门的团队进行设置和维护；但 Zilliz Cloud可以提供全托管服务，极大降低用户的运维成本。此外， Zilliz Cloud还提供了“易于使用的仪表盘和 API，用于数据库管理和监控”，以及简洁明了的文档体系，便于用户上手。

此外，围绕最易使用，Zilliz Cloud最大的特点就是它完全基于开源 Milvus打造，而Milvus当前已经拥有超过 35,000 个 GitHub star，成为全球最受欢迎的开源向量数据库产品。多数企业可以在使用Zilliz Cloud之前，先用 Milvus 做初步的生产级评估，然后无感迁移Zilliz Cloud。

甚至，对于一些刚入门的小白用户，Zilliz也提供了各种MCP接口，使得用户可以通过大模型快速完成创建集合、语义查询等基础功能，加速业务从0到1的搭建。

当然，Zilliz的优势不止如此。当前Zilliz已经服务了超过 10,000 家企业，包括 Walmart、Salesforce、Nvidia、IBM 和 Roblox 等知名企业，也包括 AI 新兴公司如 Read.AI 和 beatoven.ai，关于Zilliz，他们的使用方式各不相同：

比如博世与Milvus合作，在智能驾驶领域实现数据挖掘革新，降低数据采集成本80%，节约千万元数据存储成本，实现毫秒级检索数十亿数据。

比如滴滴海外创新业务“Grocery Business” 针对超过 3000w 的菜品，采用Milvus打造了一个先进的商超搜索系统，当采用传统搜索无结果或者结果不理想时，系统触发向量搜索作为补充召回，以15%左右的触发率，提升4%的用户添加购物车占比。

比如美国法律独角兽Filevine ，通过Zilliz Cloud构建的RAG系统，打造了一个企业级的法律知识库，平均响应速度比替代方案快 30–50%，服务全球超过 5,000 家律所、70,000+ 用户，处理文档数量高达十亿份。

再比如，哈啰选择Zilliz Cloud构建其RAG系统，并应用于智能客服和内部问答系统。相比Elasticsearch，Milvus在高维数据处理和语义搜索上更优，召回效果好，社区支持强，显著提升了业务效率和用户体验，加速了数字化转型和智能化升级。

这些客户来自不同行业，包括电子商务巨头、金融服务公司、科技巨头、新兴AI企业……但无一例外，他们都是在AI时代高速增长的企业。

尾声

时间维度来看，向量数据库正处于一个高速发展的阶段，新技术层出不穷，最优解决方案仍在不断演进；

从应用广度来看，向量数据库的场景仍在不断横向拓展，从RAG建设、知识库构建，搜索、推荐，再到生物制药、大模型数据管理、自动驾驶数据挖掘，每一个场景都有着完全不同的成本、性能、安全性考量。

尊重复杂性、尊重真实的用户声音，是在这个不断高速膨胀市场里，唯一的制胜秘诀。