Qdrant vs Chroma：向量数据库选型

一句话先摆这儿：做原型、数据几万条以内，用 Chroma 起步最快；要上生产、数据上百万、要复杂过滤，上 Qdrant。

但这条线不是铁的，下面讲清楚什么时候该越线。

两者定位

Chroma：主打「简单」。pip install 完，几行代码就有一个能用的向量库，连嵌入模型都帮你封好了。

Qdrant：主打「生产级」。Rust 写的，性能好，过滤、分片、量化这些生产需要的东西都有。

对比表

维度ChromaQdrant

上手速度极快中等 语言 / 性能Python，够用Rust，更快 数据规模几万到几十万舒服百万级以上稳 元数据过滤基础强大，支持复杂条件 部署本地 / 嵌入式为主Docker / 集群 / 云 量化压缩无有，省内存

Chroma 适合你，如果……

你在做 demo、做 POC，或者个人项目，数据量不大。Chroma 的卖点就是「别让向量库成为你的负担」：

python
import chromadb
client = chromadb.Client()
col = client.create_collection("docs")
col.add(documents=["文档内容..."], ids=["1"])
res = col.query(query_texts=["问题"], n_results=3)

就这么几行，不用配服务、不用建索引参数。验证想法阶段，这种「零摩擦」很值钱。LlamaIndex、LangChain 也都默认带 Chroma 集成，搭 RAG 原型基本是开箱即用。

Qdrant 适合你，如果……

出现下面任一信号，就该考虑 Qdrant 了：

数据往百万级走——Chroma 到这个量级查询会明显变慢。

过滤需求复杂——比如「只在 2026 年后、标签含 'finance'、作者是 X 的文档里检索」。Qdrant 的 payload 过滤这块做得很扎实，Chroma 就吃力。

要正经部署——Qdrant 有官方 Docker、集群、云服务，运维心里有底。

python
from qdrant_client import QdrantClient
from qdrant_client.models import Filter, FieldCondition, MatchValue
client = QdrantClient(url="http://localhost:6333")
client.search(
    collection_name="docs",
    query_vector=vec,
    query_filter=Filter(must=[FieldCondition(key="year", match=MatchValue(value=2026))]),
    limit=5
)

那个带过滤的检索，是 Qdrant 在生产里最常被用到的能力。

几句掏心窝的话

别为了「以后可能要扩」一上来就用 Qdrant。 大多数项目根本到不了 Chroma 撑不住的量级，过早上 Qdrant 是给自己加运维负担。需求长大了再迁移，向量数据本来就好导。

如果你已经在用 Postgres，还有第三个选项：pgvector。不用单独维护一个向量服务，数据和业务库放一起，对中小项目特别香，详见 pgvector 向量搜索实战。

嵌入模型才是检索质量的大头。 选 Chroma 还是 Qdrant 影响的是性能和运维，而「检索准不准」主要由你的 embedding 模型和分块策略决定。别把精力都花在选库上。

决策清单

原型 / 小数据 / 想快 → Chroma

百万级 / 复杂过滤 / 要部署 → Qdrant

已经在用 Postgres → 先考虑 pgvector

不确定 → Chroma 起步，撑不住再迁 Qdrant

选向量库这事，能往后拖就往后拖——先把检索效果调好，库的事是后面的事。