Qdrant 对比 Pgvector
通过以下一系列能力比较 Qdrant 对比 Pgvector。我们希望您选择适合您的最佳数据库，即使它不是我们。
Qdrant 与 Pgvector Scalability对比
QdrantPgvector
计算存储分离
❌
Yes（利用 pgvector 等解决方案来实现存储计算分离，将应用程序数据存储在一个数据库中，同时将向量、查找值和过滤值存储在另一个数据库中）
查询插入分离
No（仅支持在服务器层面扩展）
❌
多副本
✔️
❌
动态 Segment 替换 vs. 静态数据 Sharding
静态数据 Sharding
❌
云原生
✔️
❌
支持 10 亿级向量数据
❌
❌
Qdrant 可扩展性
采用静态数据分片后，如果数据规模超过服务器存储上限，您需要为集群添加更多机器并重新对数据进行分片。这个过程复杂且耗时。而且，数据分片不均衡可导致性能瓶颈，降低系统效率。
可扩展性
利用 YugaByteDB 等解决方案来扩展 Postgres 在分布式环境中的性能
Qdrant 与 Pgvector Functionality对比
向量数据库性能是最为重要的关键指标。随着存储的非结构化数据规模不断增长至数亿或数十亿，向量数据库能否水平扩展多个节点变得至关重要。
此外，不同的数据插入、查询速率，以及不同的底层硬件适用于不同的应用场景。因此，向量数据库必须支持性能调优。
QdrantPgvector
基于角色的访问控制（RBAC）
No （仅支持身份验证 ）
❌
支持磁盘索引
✔️
❌
混合查询或标量过滤
Yes（结合向量和传统索引）
❌
Partition/Namespace/逻辑分组
❌
❌
支持的索引类型
1 种（HNSW）
HNSW & IVFFlat
Qdrant 功能
Qdrant 通过三种索引类型支持向量数据库功能。第一种是 Payload 索引，类似于传统文档数据库中的索引。第二种是全文索引。第三种是向量索引。此外，Qdrant 的混合查询功能结合了向量搜索和标量过滤。
Qdrant 与 Pgvector Purpose-built对比
为什么使用向量数据库？
向量数据库可用于存储、索引和管理由深度神经网络学习与其他机器学习模型生成的海量向量。向量数据库应具备以下特性：
- 可扩展性和性能调优
- 多租户和数据隔离
- 完整的 API
- 直观的用户界面或管理面板
QdrantPgvector
专为向量打造
✔️
pgvector 插件
支持调节数据一致性等级
❌
❌
支持流式、批式向量数据
❌
❌
支持二进制向量
❌
❌
多语言 SDK
Python、Go、Rust
支持任意语言的 Postgres 客户端
<0>Qdrant</0> 对比 <0>Pgvector</0>：什么对我来说更合适？
Qdrant
Qdrant 由一家商业公司维护。该公司还提供 Qdrant 云服务版本。 许可证：Apache-2.0 许可证
Pgvector
pgvector是 PostgreSQL 扩展组件，用于在 PostgreSQL 数据库内方便地存储、查询和索引向量。
License：PostgreSQL
