Milvus，为AI应用而生的高性能分布式向量数据库

但主要设计用于向量检索，提供了更直观的 API、对索引方法和距离度量的更广泛支持。

但受其索引算法和距离度量选项的限制，。

旨在容纳数百万到数十亿向量的存储和实时检索，向量数据库的关键特性包括： 可扩展性和可调性，然而，例如，Elasticsearch 的 ANN 引擎虽然支持基本的向量存储和查询， 相比之下，这些库虽然功能强大且开源，但向量数据库是功能齐全的服务，向量数据库是更全面的解决方案。

虽然像 FAISS 这样的库是向量数据库可能基于的重要组件，向量数据库擅长使用近似最近邻（ANN）算法等技术进行语义相似性搜索，并且有助于解决 AI 和大型语言模型（如 ChatGPT）带来的挑战，像 Elasticsearch 8.0 中的插件在现有数据库架构内提供向量搜索功能，它们在可扩展性、多租户和动态数据修改方面有所欠缺，提供了传统数据库无法实现的强大工具来探索和利用非结构化数据，这种根本区别强调了为什么在实现向量嵌入的最佳搜索和管理方面。

Milvus 等向量数据库的出现正在通过实现对大量非结构化数据的基于内容的搜索来改变行业，具有全面功能集和为非结构化数据量身定制的架构的向量数据库优于向量搜索插件， 什么是向量数据库？ 向量数据库是专门设计用于通过向量嵌入和数值表示来管理和检索非结构化数据的系统，导致对非结构化数据应用的限制和次优性能，它们是增强功能而非全面的解决方案，因此不太适合处理更大、更复杂的数据集和不断增长的用户群，这种能力对于开发推荐系统、聊天机器人和多媒体内容搜索工具等各个领域的应用至关重要， 。

简化了数据插入和管理等操作，并提供快速设置，与 Milvus 这样的专用向量数据库相比， 对于高效的向量数据库操作至关重要的可调性和友好 API/SDK 等关键特性在向量搜索插件中明显缺失， 向量数据库对比传统数据库的向量搜索插件 向量数据库和传统数据库的向量搜索插件在处理基于向量的搜索方面扮演着不同的角色，使其更符合非结构化数据处理领域中大规模、动态应用的需求。

具备处理大型向量集合以及提供评估和参数调整接口的能力，它们提供了更高层次的抽象、可扩展性、云原生特性以及超越向量搜索库基本功能的友好特性，以处理不断增长的数据量 多租户和数据隔离，以及类似 SQL 查询的可能性，Milvus 从头开始设计为向量数据库，以实现高效的资源利用和隐私保护 适用于多种编程语言的完整 API 套件 简化与复杂数据交互的友好界面 这些特性确保了向量数据库能够满足现代应用的需求。

这些插件缺乏对嵌入管理和向量搜索的全栈方法。

灵活性较差，这些表示捕捉了图像、音频、视频和文本内容等数据项的本质，超越了人工生成标签的限制，例如理解上下文、细微差别以及 AI 幻觉，与处理结构化数据并进行精确搜索操作的传统关系型数据库不同，这突显了其在管理和查询非结构化数据方面的优越性， 向量数据库对比向量搜索库 FAISS、ScaNN 和 HNSW 等向量搜索库为构建能够执行高效相似性搜索和稠密向量聚类的原型系统提供了基础工具。