• 初期1萬商品 → 使用FAISS
• 發展到500萬商品 → 遷移至Milvus

3.2 持久化需求

• 臨時計算：向量庫的內存存儲足夠
• 長期運營：必須使用數據庫的磁盤存儲

代碼對比：

# 向量庫（數據易丟失）
index = faiss.IndexFlatL2(128)
index.add(vectors)  # 程序重啟后數據消失

# 向量數據庫（數據持久化）
collection.load()  # 從磁盤加載已有數據

3.3 運維能力

• 個人開發者：向量庫無需運維
• 企業團隊：數據庫提供容災、備份等能力

運維成本對比：

3.4 功能復雜度

• 基礎搜索：向量庫可滿足
• 混合查詢：需要數據庫的過濾條件

# Qdrant的帶條件查詢
client.search(
    collection_name="products",
    query_vector=query_vec,
    query_filter={
        "must": [{"key": "price", "range": {"gte": 100}}]
    }
)

3.5 安全要求

• 公開數據：向量庫足夠
• 敏感數據：需要數據庫的加密傳輸和存儲

安全功能對比：

3.6 成本預算

• 零成本：開源向量庫（FAISS/Annoy）
• 云服務預算：Pinecone等托管數據庫
• 硬件投入：自建Milvus集群

成本估算案例：

• FAISS：0元（2臺16核服務器）
• Pinecone：$200/月（100萬向量）
• Milvus：$500/月（服務器+運維）

四、混合使用方案

4.1 開發測試階段

使用向量庫快速驗證算法：

# 原型階段用HNSWlib
import hnswlib
index = hnswlib.Index(space='cosine', dim=768)
index.init_index(max_elements=1000)
index.add_items(data_vectors)

4.2 生產部署階段

遷移到向量數據庫實現全功能：

# 將HNSWlib數據導入Milvus
for vec in data_vectors:
    collection.insert([[vec_id], [vec.tolist()]])

4.3 性能關鍵模塊

在數據庫中集成向量庫加速：

# 在Milvus中使用FAISS作為底層引擎
index_params = {
    "index_type": "FAISS_IVF_FLAT",
    "params": {"nlist": 1024}
}
collection.create_index(field_name="vector", index_params=index_params)