46,064 颗星、开源自托管还能省 70% 成本：Milvus 3.0 的 lake-native 方向值不值得追
46,064 颗星、开源自托管还能省 70% 成本：Milvus 3.0 的 lake-native 方向值不值得追
向量数据库是 RAG 和 AI Agent 记忆层的标配基础设施，这一点已经没有争议。但问题是：选哪个？Pinecone 够简单但只能云托管，Qdrant 轻量但生态还在长大，Weaviate 功能多但生产级规模部署经验少。
今天想聊的是 Milvus——不是因为它星多，而是因为它刚发布的 3.0 版本在方向上做了一个有意思的判断：向量数据库正在从”数据 copy 进向量库”走向”直接在数据湖上跑向量检索”。这个转变背后有几个真实的生产痛点，值得认真说一说。
Milvus 3.0 最大的变化：你的数据不用再搬一次家了
传统向量数据库的工作流是这样的：先把文档 embedding 成向量，存进 Milvus（或 Pinecone、Qdrant），检索时从向量库拿结果。这个流程在中小规模下完全没问题，但到了企业级就遇到了一个真实的困境——你的源数据（Parquet 文件、Lance 表、Iceberg 表）已经在对象存储上了，复制一份进 Milvus 意味着双倍存储成本 + ETL 同步管道 + 数据治理边界模糊。
Milvus 3.0 推出的 External Collection 解决的就是这个：向量库直接查询已经躺在 S3/兼容存储上的数据，不做数据搬迁。Milvus 只管理索引层和查询执行层，数据本身不动。对于金融、医疗这些数据不能出防火墙的行业，这个设计是刚需。
配合 Snapshot 功能，还能做到读写分离——线上写入的同时，批处理任务可以基于某个时间点快照稳定读取，存储成本几乎为零。这两个功能加在一起，解决的是”一套数据，多个工作负载”的企业级场景。
Milvus 的基本盘：生产级规模下的真实数据
看一个开源项目，不能只看功能，要看谁在用它、跑了多大规模。
Milvus 官方披露的企业客户包括 PayPal、eBay、IKEA、LINE、Shopee、Baidu。GitHub 仓库最新数据：46,064 颗星，4,247 个 Fork，4,140 个 open issues（这个量级说明确实有人在认真用、认真提 bug）。截至 2026 年 9 月，GitHub 累计下载和安装超过 1,000 万次，企业用户超过 3,000 家。
最新版本节奏：v3.0.1（2026 年 9 月 9 日），前一个稳定版 v2.6.23（2026 年 8 月 28 日）。Milvus 目前维护着 3 个主要版本线：3.x（最新功能线）、2.6.x（稳定生产线）、2.5.x（保守维护线）。从版本发布节奏看，3.0 刚出不久，生产环境建议从 2.6.x 开始跑，等 3.0 有更多社区踩坑报告再跟进。
技术栈：核心用 Go 写，存储引擎 C++，支持 NVIDIA GPU 加速（HNSW、DiskANN、CAGRA 等算法均有 GPU 版本）。这个组合让它在大规模向量检索上有真实性能优势——官方 benchmark 里 10 亿向量级别下 QPS 和召回率都有据可查。
Milvus vs Pinecone vs Qdrant：选哪个
选向量数据库的场景差异很大，没有绝对正确答案，但可以给出几条可操作的判断标准：
Milvus 的优势区间：
- 需要自托管、控制基础设施成本（特别是调用量大的场景，Zilliz Cloud 官方报价每百万次查询 $0.148 起，比 Pinecone 的 $0.178 便宜约 17%）
- 需要 GPU 加速检索性能
- 需要多租户隔离、CDC 变更数据捕获、Spark/Kafka 连接器这些企业级工具
- 数据量级在亿级以上，或者预期会到这个规模
- 需要多向量字段、稀疏向量 + 稠密向量混合检索
Pinecone 的优势区间：
- 团队没有 DevOps 能力，不想管基础设施
- 项目规模在千万级向量以下，延迟 SLA 是主要矛盾
- 快速原型阶段，需要立刻跑起来
Qdrant 的优势区间：
- 需要 Rust 原生性能、对内存占用敏感
- 喜欢更干净的配置体验，讨厌 YAML 地狱
- 社区活跃度高，Rust 生态集成需求
Milvus 的劣势：
- 单机版 Milvus Lite 功能受限，真正的分布式能力需要 K8s 集群部署，运维复杂度不低
- 2.6 升级到 3.0 后一旦启用 Storage V3（快照等新功能依赖），不支持回滚到 2.6，生产升级需谨慎测试
- 相比纯 Rust 的 Qdrant，Go + C++ 的技术栈在内存管理上不如 Rust 干净
适合谁、不适合谁
适合：
- 已经有 Kubernetes 运维能力，目标是自托管降成本的技术团队
- 数据量级大（亿级向量以上），需要 GPU 加速的生产 RAG 系统
- 金融/医疗行业，数据合规要求高，不能把原始数据复制到第三方云服务
- 需要多 Agent 共享向量记忆层的 AI 系统架构
不适合：
- 小团队快速原型阶段，直接用 Pinecone 或 Zilliz Cloud 全托管更省心
- 预期规模永远在千万级以下、延迟要求不极端的场景，Qdrant 轻量得多
- 完全不想碰基础设施，只想 API 调用就跑起来的产品团队
下一步建议
如果你决定试试 Milvus，推荐从官方文档的”5 分钟快速开始”跑起：https://milvus.io/docs/v2.6.x/quickstart.md
第一步建议用 Docker Compose 起单机版 Milvus Lite，验证完基本流程再评估是否需要上集群。v2.6.x 文档地址：https://milvus.io/docs/v2.6.x/overview.md
有大规模生产计划的话，建议先跑一遍官方基准测试工具（https://milvus.io/docs/benchmark.md），拿到自己硬件环境下的真实数字再和 Qdrant、Pinecone 做对比——不要相信任何单一来源的跑分。
对 AI Agent 记忆层场景，Milvus 官方博客有一篇”Keeping AI Agents Grounded: Context Engineering Strategies that Prevent Context Rot Using Milvus”（2025 年 12 月），专门讲如何在 Agent 记忆设计里用好向量检索，值得一读：https://milvus.io/blog
数据来源：
- GitHub: https://github.com/milvus-io/milvus
- 官方文档: https://milvus.io/docs/v2.6.x/overview.md
- Milvus 3.0 发布公告: https://milvus.io/blog（2026年7月27日）
- DB-Engines 对比: https://db-engines.com/en/system/Milvus%3BQdrant%3BWeaviate
- 竞品对比（官方）: https://milvus.io/docs/comparison.md
- v3.0 完整 Release Notes: https://milvus.io/docs/release_notes.md
评论区
登录后可评论。