Векторная база — хранилище эмбеддингов, по которому RAG находит релевантные фрагменты знаний перед ответом модели. Milvus и Qdrant — два самых частых кандидата; оба открытые, и «хуже/лучше» здесь не работает — работает соответствие масштабу задачи.
Сравнение по существу
| Параметр | Milvus | Qdrant |
|---|---|---|
| Происхождение | проект с открытой лицензией, инкубировался в фонде LF AI & Data | независимый open-source проект, ядро на Rust |
| Архитектура | распределённая, облачно-ориентированная | компактная, от одного сервера до кластера |
| Масштаб индекса | миллиарды векторов, шардинг из коробки | миллионы — десятки миллионов на инсталляцию |
| Развёртывание | несколько компонентов, требует эксплуатации | один бинарь или контейнер для старта |
| Поиск | векторы + фильтры, гибридные сценарии | векторы + богатая фильтрация метаданных |
| Кто выбирает | команды с большими индексами и DevOps-силой | команды, которым нужен быстрый предсказуемый старт |
Когда Milvus
Индекс растёт к миллиардам векторов (например, полнотекстовый поиск по десяткам лет архива), нагрузка кластеризуется, рядом есть инженеры, готовые обслуживать распределённую систему. Milvus проектировался именно под этот профиль.
Когда Qdrant
Корпоративная база знаний до десятков миллионов фрагментов, хочется простого самостоятельного хостинга и предсказуемого ресурсного следа. Qdrant ставится за час и не требует выделенной команды эксплуатации.
Чек-лист выбора
- Объём индекса сегодня и через год — до десятков миллионов векторов достаточно Qdrant, дальше присматривайтесь к распределённой архитектуре Milvus.
- Кто эксплуатирует — есть DevOps-команда или контур должен жить «сам»: ответ сразу сужает выбор.
- Требования к фильтрации — чем сложнее фильтры по метаданным, тем внимательнее тестируйте оба варианта на своих данных.
- Путь миграции — храните исходники документов и версию модели эмбеддингов: индекс всегда можно пересобрать.
- Метрики качества поиска — полнота и точность top-k на вашей базе важнее синтетических бенчмарков из документации.
- Резерв и восстановление — проверьте бэкапы и скорость перезаливки индекса до того, как это станет аварией.
База знаний компании растёт — закладывайте рост в решение с первого дня, чтобы не переживать миграцию в разгар проекта.
Что важнее выбора базы
Качество поиска определяется пайплайном RAG: стратегией нарезки документов, качеством эмбеддингов и реранкингом — база лишь хранит и отдаёт векторы. И не забывайте про безопасность: слабости векторных хранилищ и эмбеддингов входят в OWASP LLM08, их закрывают на уровне доступа и наполнения индекса. Сравнение самой технологии с fine-tuning — «RAG или fine-tuning»; пилот поиска по вашим документам — LLM-интеграции от 480 000 ₽.