在和社区小伙伴们交流的过程中，我们发现大家最关心的问题从来不是某个具体的功能如何使用，而是面对一个具体的实战场景时，如何选择合适的向量数据库解决方案或最优的功能组合。在 “Milvus 向量数据库进阶” 这个系列文章中，我们会聚焦回答这一类问题，如 “在 AI 应用开发的不同阶段，向量数据库应该如何选型”，“如何正确的构建 RAG 多租系统” 等。虽然这个系列名为进阶，但内容同时适用于初级和进阶用户。我们希望通过这些内容的介绍，帮助大家在向量数据库应用的过程中少走弯路。
Milvus 是目前发展最成熟的开源向量数据库项目。和 Qdrant、Weaviate、Chroma 这些近两年的新项目不同，Milvus 为开发者提供了多种部署形态。当然，更多的选择有时候也会带来一些困扰，经常会有同学问怎么选合适的部署形态，今天这篇文章就来和大家详细聊聊这个话题。
现在官方一共提供了三种 Milvus 部署形态：Milvus Lite，Milvus Standalone，Milvus Distributed：
Milvus Lite 可以认为是一个 library 级别的超小型 Milvus。主要面向 python/notebook 环境的快速原型构建、或一些本地的小规模实验。
Milvus Lite 原生集成在 pymilvus 包里，直接 pip install pymilvus，你就在本地完成了 Milvus Lite 的安装。用的时候不需要额外启动服务端，插入数据的持久化都是走的本地文件。
Milvus Standalone 是 Client-Server 模式，是 Milvus 的单机部署形态。Milvus Lite 和 Milvus Standalone 的关系，类似 SQLite 和 MySQL 的关系。Milvus Standalone 的所有组件都打在一个 Docker 镜像里，服务端部署也比较方便。
如果你不是在支持一个大型项目，一般搞一台内存大点儿的机器，部署一套 Milvus Standalone 就够用了。值得提的一点是，Milvus Standalone 支持主备模式高可用，生产环境是可以上的。
Milvus Distributed 是 Milvus 的分布式部署模式。企业用户搭大规模向量数据库系统（或向量数据平台、中台），一般首选这种模式。Milvus Distribute 采用云原生架构，读写分离，关键组件都支持冗余，在三种部署模式中提供最高的扩展性能力和高可用级别，以及组件级的弹性能力（如根据业务负载特征单独扩缩 Proxy、查询节点、索引节点等）。
01.不同场景下的部署形态选型
一般说选型肯定离不开阶段。用到向量数据库的应用基本有这么几个阶段：
AI 应用的快速原型构建。比如你在做一个 AI 个人助手、一个小的搜索引擎原型、一个端到端的 RAG 原型，这类项目的迭代速度是很关键的，而且原型构建期不需要关心性能或者稳定性这样的指标。因此 Milvus Lite，或 Milvus Lite Milvus Standalone 会是比较合适的选择。你可以在 notebook 结合 Milvus Lite 快速实现端到端功能搭建，以及面向效果的轻量化实验。
如果你同时也需要在规模大一些的数据集上验证效果，那再起一套 Milvus Standalone 是合适的。注意这里 Milvus Lite 和 Milvus Standalone 并不是独立的两部分，它们支持了一个简单的从笔记本到服务器的工作流：由于 Milvus Lite、Standalone、Distributed 共享一套客户端接口，同样的业务侧代码既可以使用本地数据进行原型开发，也可以链接到服务端进行大规模数据验证。同时 Standalone 支持多用户，一个敏捷开发小组可以使用一套 Milvus Standalone 服务进行协作或共享数据。
早期的生产部署。这里早期指的是项目上线早期，业务访问请求和数据还没有上量、项目还在寻找 Product-market-fit 的阶段。这个阶段你需要关心的仍然是业务效果和业务竞争力，而不是基础设施。因此 Milvus Standalone 是最合适的选择。对于在线业务，需要部署一套主备模式的 Milvus 来保证高可用。对于测试环境，单节点部署即可。
需要注意的是，Milvus Standalone 并不提供表间物理资源隔离。因此如果你有两个业务都很关键且性能敏感，最好把它们的数据通过两套 Milvus Standalone 进行隔离。这可能会带来一些物理资源的浪费，但仍然会比运维 Milvus Distributed 的综合成本低很多。还是那句话，这个阶段你需要聚焦的是业务效果和业务竞争力，而不是基础设施。
当然，这个阶段你仍然可以结合 Milvus Lite 进行一些效果调试工作，特别是面向一些具体用户需求的效果调试。这部分工作不建议在部署 Milvus Standalone 的生产环境进行，这有可能会带来一些潜在的性能和稳定性风险。
大规模生产部署。在这个阶段，你的数据已经超过了单台服务器所能容纳的规模；或数据每天都在快速增长，你需要为后续的业务增长提前做好基础设施的准备。这个时候就需要 Milvus Distributed 登场了。前期会是 Milvus Standalone 和 Milvus Distributed 两套实例并存，我们需要把流量逐步从 Standalone 切换至 Milvus Distributed。并观察至少一个月保证 Milvus Distributed 运行稳定。
这个阶段你也需要逐步完善你的运维系统。Milvus Distributed 原生支持 Prometheus，同时也提供了 Attu 等管理工具。需要注意的是，尽管 Milvus 官方提供了一系列专用运维工具，以及尽可能丰富的生态工具对接，运维一套大型分布式系统并非容事，在这期间你可能会需要比较多的社区帮助。Milvus 社区非常开放，一些主要的社区交流入口我都留在了文末。
02.不同开源向量数据库的适用数据规模
图1. 开源向量数据库适用的数据规模
咱们前面主要说的都是 Milvus，这里把其他几个受欢迎的开源向量数据库也拿过来做一个比较。
去年，Chroma 在 AI 个人开发者圈子里比较火。这个项目的特点是聚焦小数据规模，并提供向量数据库功能的最小功能集。如果你的应用只有不到几十万的向量，而且只需要使用数据插入和查询这样的最基本功能，Chroma 可以提供非常轻便的体验。需要注意的是，即便和 Milvus Lite 相比，Chroma 也仅提供了一个功能子集，且并不面向生产。
Weaviate 和 Qdrant 这两个项目更加的 Production Ready。其中，Weaviate 更聚焦 AI 应用对向量数据库的集成，原生提供了一些上游模型的支持。Qdrant 更聚焦向量数据库本身，关注向量查询能力以及性能。（Qdrant 是所有向量数据库项目中，在性能上跟随 Milvus 最紧的一个项目，详见 VectorDB Benchmark）
图1 对这几个向量数据库的数据规模适用范围进行了比较：
- Milvus Lite 和 Chroma 都适合不超过百万的数据，这个区间的设计考量主要是系统能力和易用性之间的tradeoff，且更偏向易用性。
- Milvus Standalone、Weaviate、Qdrant 合适的数据规模是百万至小几千万这个范围。在系统能力和易用性之间的设计考量比较平衡。
- Milvus Distributed 合适的数据规模在千万及以上。目前社区已经广泛验证了十亿级规模的场景支持，今年也陆续有百亿级规模的场景落地。
和 Milvus 相比，其他几个项目暂未提供长跨度的部署支持。因此在项目演进的不同阶段会有向量数据库选型切换的成本。对于不同数据规模下的混合工作流的支持也没有 Milvus 灵活。
03.Milvus Lite，Standalone，Distributed的能力对比
04.Milvus Lite，Standalone，Distributed的组件功能关系
图2. Lite, Standalone, Distributed
包含的功能组件
Milvus Lite，Standalone，Distributed 之所以能提供一致的使用体验， 并保持相同的演进速度，主要得益于这三种部署模式对底层组件的共享。
上图给出了这三种形态各自覆盖的 Milvus 功能组件：
Milvus Lite 主要是对 Search Engine 的封装，同时对数据写入、持久化、索引构建、元信息管理等必备能力提供了本地实现。这也是为什么 Milvus Lite 可以被视为一个 library 的主要原因。但相比 Chroma 这样具有简易实现的 library，Milvus 的 search engine 无论在性能还是查询能力上都要强悍很多，且更适合嵌入。如果你只是在寻找一个 Faiss 或者 HNWSLib 的替代，Milvus Lite 也是相当合适的。Milvus 查询引擎原生集成了这些主流的向量搜索算法库，整合社区也投入了大量工作进行深度的性能和功能优化。
Milvus Standalone 包含了除负载均衡 (load balancer)、多节点管理 (coordinators) 以外的所有功能组件。这些组件运行在同一个 Docker 环境中，因为所有组件间都是本地通信，因此可以获得很好的服务端延迟。
Milvus Distributed 包含所有功能组件。需要注意的是，Standalone 和 Distributed 虽然都包含 Proxy、Query Node、Data Node、Index Node，且功能相同，但 Distributed 提供更加灵活的部署方式。从数量上看，每一种功能组件都可以部署多个，从而支持更高的负载；从物理资源映射的层面看，不同功能的组件可以被部署到相同物理节点以实现资源共享，或部署到不同物理节点以实现组件间资源隔离；从组件间解耦的层面看，每一种组件都可以进行独立的扩缩容，以适应多样化的负载特征，并有效提高资源利用率。
Milvus 向量数据库进阶系列
下期预告
现在市面上的 RAG 系统不管是 to B 的还是to C 的，基本都需要考虑多租。下一篇我们将结合Milvus，讲一讲如何构建 RAG 多租户/多用户系统。
作者介绍
郭人通，Zilliz 合伙人和产品总监，CCF 分布式计算与系统专委会执行委员。专注于开发面向 AI 的高效并可扩展的数据分析系统。郭人通拥有华中科技大学计算机软件与理论博士学位。
