【向量检索引擎】选型与阅读地图：决策树、RAG 回链与开放问题

本系列以 Milvus 2.6.x 钉住专用向量引擎内核（01–14），用 Qdrant 与 Lance 做对照（15–16），并用排障清单（17）把机制接到症状。本文给出 选型决策树、站内阅读地图 与 仍开放的问题——不代替官方容量规划，不排名「谁全局最快」。

本文是「向量检索引擎」系列第 18 篇（共 18 篇）。→ 系列目录

一、决策树（默认问法）

flowchart TD
  start["需要向量近邻?"]
  start -->|否| stop["别上向量栈"]
  start -->|是| online["在线低延迟 + 持续写入?"]
  online -->|否| lake["数据已在湖且要 snapshot/随机 take?"]
  lake -->|是| lance["Lance ± LanceDB<br/>见 16 与 lakehouse/21"]
  lake -->|否| batch["批处理/小流量"]
  batch --> qdrantLite["单节点 Qdrant 或嵌入式"]
  online -->|是| sql["必须强 SQL 事务同进程?"]
  sql -->|是| pg["pgvector 起步<br/>规模上去再迁出"]
  sql -->|否| ops["能否运维存算分离多组件?"]
  ops -->|否| qdrant["Qdrant 单机或分片集群<br/>见 15"]
  ops -->|是| milvus["Milvus 集群<br/>本系列 01-14"]

1.1 边界说明

二、回到五个关键问题

三、站内阅读地图

flowchart LR
  frontier["db-frontier 08/09<br/>ANN 与混合过滤算法"]
  engine["本系列<br/>向量引擎内核"]
  lake["lakehouse/21<br/>Lance 湖侧"]
  rag["llm-infra 17/18<br/>RAG 应用"]
  frontier --> engine
  lake --> engine
  engine --> rag

四、与 llm-infra RAG 的接线

llm-infra/17 管 chunking、召回、rerank；18 管产品选型直觉。本系列补上：

• 入库后 多久、在何种一致性下 可搜（12）；
• 权限/属性过滤如何进引擎（11）；
• 撤回文档如何 delete 并回收（13）；
• 延迟尖刺看水位还是看建索（17）。

RAG 效果差时，先分清是 检索工程 还是 生成/Prompt——向量引擎只对前者负责。

五、开放问题（系列收束）

1. GPU 索引工业化：Knowhere 支持 GPU 路径（第 8 篇），多租户下设备内存碎片与抢占仍缺标准答案。
2. 多向量 / 多模态字段：单实体多 embedding 时的索引生命周期与混合评分。
3. 稀疏 + 稠密融合：学习稀疏与稠密 ANN 的统一执行与过滤（与 ColBERT 等应用层分工）。
4. 湖表与在线引擎的版本原子性：Iceberg snapshot ↔︎ Milvus 可见集（16、lakehouse/21）。
5. 过滤自适应：按选择度自动切换 pre/post/in-filter 与候选倍数（11、frontier/09）。

六、系列完成状态

实验台账中的 Docker 小规模实测仍可按 PLAN.md 后续补强；正文机制不依赖未跑数字。

七、小结

专用向量引擎解决的是 持续写入、近似检索、过滤、分布式生命周期；湖格式解决 版本与随机访问；pgvector 解决 同进程 SQL。按负载选层，而不是按热词选库。感谢读完 18 篇——从 系列目录 可按角色路径回看。

参考资料

1. 本系列 index 与第 1–17 篇。
2. db-frontier/08–09、llm-infra/17–18、lakehouse/21。
3. Milvus / Qdrant / Lance 官方文档（各篇已列）。

返回 系列目录 ｜ 上一篇：生产排障