介绍

LlamaIndex 向量存储的核心结论：统一接口、20+款向量库、本地/自建/云全覆盖；开发首选 Chroma/FAISS，生产首选 Milvus/Qdrant/Pinecone，混合检索与异步都支持。

VectorStore 是什么

在 LlamaIndex 里，VectorStore 是存放「文本块 → 向量」的底层存储，配合 VectorStoreIndex 做语义检索。

• 流程：文档分块 → 向量化 → 写入向量库 → 查询时向量相似度召回。
• 代码入口：通过 StorageContext 注入任意向量库。

from llama_index.core import StorageContext, VectorStoreIndex
from llama_index.vector_stores.chroma import ChromaVectorStore

vector_store = ChromaVectorStore(...)
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(docs, storage_context=storage_context)

支持的向量数据库

本地/轻量（开发/小数据）

• Chroma：零配置、本地文件持久化、支持元数据过滤/混合检索；uv add chromadb
• LanceDB：Rust高性能嵌入式向量库，文件式存储无需部署服务，支持SQL查询、多模态数据、版本管理，检索速度优于Chroma；uv add lancedb
• FAISS：Facebook 开源、CPU/GPU 极速、内存/磁盘索引；uv add faiss-cpu
• SQLite-Vec：轻量化嵌入式向量引擎，依托SQLite文件存储，无独立服务，体积极小，适合低资源设备、桌面离线程序；uv add sqlite-vec
• PGVector：PostgreSQL向量扩展，依托数据库服务运行，结构化数据+向量一体化管理，适合已有PostgreSQL业务栈项目；uv add pgvector

自建/开源（部署）

• Milvus：星型架构、千亿级、多索引/分区/TTL；uv add pymilvus。
• Qdrant：高性能、GPU 加速、丰富过滤/聚合；uv add qdrant-client。
• Weaviate：内置向量+关键词、模块化、支持 GraphQL；uv add weaviate-client。

云托管（免运维/企业级）

• Pinecone：全托管、高可用、自动扩缩；uv add pinecone。
• Azure AI Search：微软云、混合检索、安全合规；uv add azure-search-documents。
• 阿里云 OpenSearch：国内生态、向量+全文、低成本；uv add aliyun-opensearch。

国内特色

• 百度 VectorDB：百度云、中文优化、高并发。
• DashVector：全托管、毫秒级、Serverless 计费。

嵌入式数据库

• Chroma
• LanceDB
• FAISS
• SQLite-Vec

对比

功能支持

1. 统一接口：所有向量库共用 add/query/delete/get，切换只需改配置。
2. 元数据过滤：按文档来源、时间、标签筛选，精准召回。
3. 混合检索（Hybrid）：向量相似度 + BM25 关键词，解决纯向量短板。
4. 异步支持：全异步 I/O，高并发场景更稳。
5. 持久化与备份：本地库自动落盘，分布式库支持集群/快照。

选型建议

• 开发/测试：选 Chroma（零配置、持久化、易调试）。
• 小规模生产：选 Qdrant（高性能、Docker 一键部署）。
• 大规模/企业级：选 Milvus（集群、分区、运维完善）。
• 免运维：选 Pinecone（全托管、高可用）。

常见问题

• FAISS 数据丢失：内存索引，需手动 vector_store.persist(path) 保存。
• Chroma 并发慢：单进程适合小数据，高并发换 Milvus/Qdrant。
• 向量维度不匹配：确保嵌入模型维度（如 text-embedding-ada-002 为 1536）与向量库一致。

原文出处：/show_1GW3L4hxtk2c.html