向量数据库实战：Chroma与Qdrant的核心原理与性能对比

1次阅读

共计 1957 个字符，预计需要花费 5 分钟才能阅读完成。

在大模型和 Embedding 技术爆发的当下，向量数据库成为处理非结构化数据的关键基础设施。传统数据库擅长精确匹配，但面对文本、图像等高维向量时束手无策——这正是 Chroma 和 Qdrant 等专用向量数据库的舞台。

两者的定位差异很有意思：
– Chroma 像轻量级跑车，主打开发者友好和快速原型验证
– Qdrant 更像重型卡车，强调分布式架构和生产级稳定性

Chroma 的 HNSW（Hierarchical Navigable Small World）
类导航地图的多层跳表结构
搜索复杂度 O(log n)，适合高召回率场景
典型配置：ef_construction=200, M=16
Qdrant 的 IVF（Inverted File Index）
先聚类再检索的二级查找模式
通过 nlist 参数控制聚类粒度
优势在于可预测的查询延迟

Chroma 默认全内存运行，通过 persist_directory 参数开启磁盘持久化
Qdrant 采用 mmap 内存映射，冷数据自动换出到磁盘
关键指标对比（测试环境：AWS c5.2xlarge）：

数据库	10 万条 768 维向量	内存峰值
Chroma	3.2GB	4.1GB
Qdrant	1.8GB	2.3GB

Qdrant 原生支持分片和副本，通过 Raft 协议保证一致性
Chroma 需借助外部工具（如 Redis）实现水平扩展

import chromadb

# 创建带持久化的集合
client = chromadb.PersistentClient(path="./chroma_db")
collection = client.create_collection("articles")

# 添加向量与元数据
collection.add(documents=["AI changes everything", "向量数据库兴起"],
    embeddings=[[0.1]*768, [0.2]*768],  # 模拟嵌入向量
    metadatas=[{"source": "news"}, {"source": "tech"}],
    ids=["doc1", "doc2"]
)

# 相似度查询
results = collection.query(query_embeddings=[[0.15]*768],
    n_results=1
)
print(results["documents"][0])  # 输出最相似文本

from qdrant_client import QdrantClient

client = QdrantClient("localhost", port=6333)

# 带过滤条件的搜索
search_result = client.search(
    collection_name="products",
    query_vector=[0.3]*768, 
    query_filter={
        "must": [{"key": "price", "range": {"gte": 100}}
        ]
    },
    limit=3
)

# 查看 payload 中的业务字段
for hit in search_result:
    print(hit.payload["product_name"], hit.score)

在 10 万条 768 维向量的测试集上（数据集：GLUE-MRPC）：