向量数据库选型
性能、资源占用、易用性、兼容性  是否支持本地离线部署


选择建议
场景	推荐数据库	核心原因
快速测试 / 新手入门        Chroma         零配置、轻量、集成简单
中小规模应用（百万级向量）   Milvus Lite    性能强、可扩展、功能完善
高性能检索（需嵌入应用）     FAISS          速度快、资源占用低、适合深度定制
需要元数据过滤功能          Qdrant         支持向量 + 元数据联合检索


本地部署注意事项：
向量数据库的性能与索引类型
HNSW 适合高召回率，IVF 适合平衡速度和精度
向量维度（维度越高，检索越耗时）、
硬件配置（CPU 核心数、内存大小）密切相关，需根据实际数据量调整参数


若需持久化数据，需确保向量数据库支持本地文件存储
如 Chroma 的persist()方法、Milvus Lite 的单文件模式

替代方案：
对于极低配置设备（如树莓派），
可考虑SQLite + 向量扩展（如sqlite-vss），用 SQLite 存储向量和元数据，实现极致轻量

Chroma 和 Milvus Lite是本地部署的首选，
前者适合快速上手，后者适合兼顾性能和扩展性的场景；
若对性能有极致要求，可基于FAISS自行封装逻辑




1. Chroma

特点：
轻量级设计，专为本地开发和小规模部署优化，安装和启动极为简单（一行命令即可运行） ；
纯 Python 实现，无需复杂依赖，与 Python 生态（如 LangChain、LLamaIndex）无缝集成 ；
支持内存模式（适合临时测试）和本地文件存储（持久化数据），资源占用低 ；

优势：
对新手友好，文档清晰，适合快速验证想法或小型应用（如个人知识库） ；
无需配置分布式，本地单节点即可运行 ；

局限：
大规模数据（千万级以上向量）的性能可能不足，更适合中小规模场景 ；




2. Milvus Lite
特点：
是 Milvus（分布式向量数据库）的轻量版本，支持本地单文件部署，无需 Docker 或复杂环境 ；
保留了 Milvus 的核心功能（如多种索引类型、向量检索优化），性能优于 Chroma，支持百万级向量高效检索 ；
支持 Python API，可嵌入应用程序中，无需单独启动服务 ；

优势：
兼顾轻量性和高性能，适合本地开发到小规模生产环境的过渡 ；
可平滑迁移到 Milvus 分布式版本（如果未来需要扩展） ；

局限：
资源占用略高于 Chroma，对极低配置设备（如树莓派）可能不够友好 ；




3. FAISS（Facebook AI Similarity Search）
特点：
由 Meta 开发的开源向量检索库，严格来说是 “向量检索工具” 而非 “数据库”，但常被用作本地向量存储的核心 ；
纯 C++ 实现，性能极强，支持多种索引算法（如 IVF、HNSW），适合高维向量（如 1024 维以上）的快速检索 ；
可通过 Python 接口调用，支持将索引保存为本地文件，实现数据持久化 ；


优势：
性能天花板级，适合对检索速度要求极高的本地场景（如实时问答） ；
资源占用可控，可嵌入到 C++ 或 Python 应用中，无需独立服务 ；

局限：
功能较基础，需自行开发数据管理逻辑（如增删改查、元数据过滤），适合有一定开发能力的用户 ；




4. Qdrant
特点：
轻量级向量数据库，支持本地单节点部署，提供 HTTP API 和 Python 客户端 ；
内置 HNSW 索引，支持向量检索 + 元数据过滤（如按标签、时间筛选），功能较全面 ；
支持本地文件存储，配置简单，可通过 Docker 或二进制文件快速启动 ；

优势：
平衡了易用性和功能性，适合需要元数据过滤的场景（如多标签知识库） ；
性能优于 Chroma，支持百万级向量场景 ；

局限：
本地部署需手动配置存储路径，略逊于 Chroma 的 “零配置” 体验 ；