# pgvector vs. Dedicated Vector Databases: A Production Benchmark

- 发布方：MachineLearningMastery.com；作者：Shittu Olumide
- 形式：实践教程 · en
- 原始资源：[https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/](<https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/>)
- 本站页面：[https://oplearnx.com/resources/res\_6xqf7g5vdq8b](<https://oplearnx.com/resources/res_6xqf7g5vdq8b>)
- 学习主题：人工智能 / 检索增强 RAG / 向量检索与重排；计算机科学 / 数据库与 SQL；人工智能 / 检索增强 RAG
- 内容状态：状态待核验
- 原始发布时间：未知（待核验）
- 本站首次收录：2026-10-21 00:00

## 能学到什么

理解 pgvector 与专用向量数据库的架构差异，并在本机搭好 pgvector \+ Qdrant 对比评测环境。

- 说清 pgvector 与专用向量数据库在架构上的差异，以及各自适合的场景
- 列出 Pinecone、Qdrant、Weaviate、Milvus、ChromaDB 的主要定位
- 用 Docker Compose 启动带 pgvector 扩展的 Postgres 17，并创建 vector 列与数据表
- 用 Docker 启动 Qdrant 并用 Python 客户端创建同维度向量集合
- 在自己机器上搭建 pgvector 与 Qdrant 的对比评测环境，并按吞吐、延迟等指标比较两者

## 适合我吗

- 适合：适合需要在 RAG 或 LLM 应用中选型向量存储、并希望用实测数据而非厂商说辞做决策的开发者。
- 需要留意：不适合只想了解向量检索原理或完全没有 SQL、Python 和 Docker 基础的学习者。

## 前置条件与费用

- 知识前置：需要能读懂基础 SQL 和 Python，并对向量嵌入有基本概念。
- 软件、账号与硬件：本机需安装 Docker 与 Docker Compose、Python 3.10 或更高版本，并预留约 8GB 可用内存。
- 内容费用：免费：节选内可直接读到教程正文、Docker 配置与 Python 代码，无付费墙或登录拦截，页面也未说明本教程收费。
- 实践费用：实践无额外费用：网页写明全部实验在本机运行、无需云账号，只需 Docker 与约 8GB 内存。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- Docker 与 Docker Compose：运行带 pgvector 的 Postgres 容器和 Qdrant 容器
- Python 3.10\+：使用 psycopg2 和 qdrant-client 连接数据库并写评测脚本
- [pgvector 官方镜像 pgvector/pgvector:pg17](<https://github.com/pgvector/pgvector>)：免编译直接获得 vector 类型与索引方法
- [Qdrant 官方镜像 qdrant/qdrant](<https://qdrant.tech/>)：作为专用向量数据库的对比对象

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「pgvector vs. Dedicated Vector Databases: A Production Benchmark」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：练习即在本机完整搭起 pgvector 与 Qdrant 两套环境，写入同一批 1536 维向量，并用相同查询集测量吞吐与 p50/p95/p99 延迟，据此判断何时用扩展、何时上专用向量库。
课节（官方顺序）：
1. pgvector vs. Dedicated Vector Databases: A Production Benchmark：https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/

1. 环境
- Docker 与 Docker Compose
- Python 3.10+（psycopg2、qdrant-client）
- 约 8GB 可用内存
- 本机端口 5432、6333、6334 可用
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/
3. 目录（最外层放在我确认的位置）
pgvector-vs-vector-databases-benchmark/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-pgvector-vs-dedicated-vector-databases/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - docker ps  → 能看到 pgvector 的 Postgres 容器和 qdrant-bench 容器都在运行。
  - 在 psql 或 Python 中执行 \d items  → items 表存在，embedding 列为 vector(1536)。
  - python -c "from qdrant_client import QdrantClient; print(QdrantClient(url='http://localhost:6333').get_collections())"  → 集合列表中出现 items。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「pgvector vs. Dedicated Vector Databases: A Production Benchmark」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：练习即在本机完整搭起 pgvector 与 Qdrant 两套环境，写入同一批 1536 维向量，并用相同查询集测量吞吐与 p50/p95/p99 延迟，据此判断何时用扩展、何时上专用向量库。
课节（官方顺序）：
1. pgvector vs. Dedicated Vector Databases: A Production Benchmark：https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/

1. 环境
- Docker 与 Docker Compose
- Python 3.10+（psycopg2、qdrant-client）
- 约 8GB 可用内存
- 本机端口 5432、6333、6334 可用
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/
3. 目录（最外层放在我确认的位置）
pgvector-vs-vector-databases-benchmark/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-pgvector-vs-dedicated-vector-databases/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - docker ps  → 能看到 pgvector 的 Postgres 容器和 qdrant-bench 容器都在运行。
  - 在 psql 或 Python 中执行 \d items  → items 表存在，embedding 列为 vector(1536)。
  - python -c "from qdrant_client import QdrantClient; print(QdrantClient(url='http://localhost:6333').get_collections())"  → 集合列表中出现 items。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「pgvector vs. Dedicated Vector Databases: A Production Benchmark」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：练习即在本机完整搭起 pgvector 与 Qdrant 两套环境，写入同一批 1536 维向量，并用相同查询集测量吞吐与 p50/p95/p99 延迟，据此判断何时用扩展、何时上专用向量库。
课节（官方顺序）：
1. pgvector vs. Dedicated Vector Databases: A Production Benchmark：https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/

1. 环境
- Docker 与 Docker Compose
- Python 3.10+（psycopg2、qdrant-client）
- 约 8GB 可用内存
- 本机端口 5432、6333、6334 可用
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/
3. 目录（最外层放在我确认的位置）
pgvector-vs-vector-databases-benchmark/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-pgvector-vs-dedicated-vector-databases/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - docker ps  → 能看到 pgvector 的 Postgres 容器和 qdrant-bench 容器都在运行。
  - 在 psql 或 Python 中执行 \d items  → items 表存在，embedding 列为 vector(1536)。
  - python -c "from qdrant_client import QdrantClient; print(QdrantClient(url='http://localhost:6333').get_collections())"  → 集合列表中出现 items。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「pgvector vs. Dedicated Vector Databases: A Production Benchmark」。课程目录是 pgvector-vs-vector-databases-benchmark/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [pgvector vs. Dedicated Vector Databases: A Production Benchmark](<https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/>)

## 指南参考

- [课程主页](<https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：Docker 与 Docker Compose，用于运行 pgvector 的 Postgres 镜像和 Qdrant 容器；本地 Python 3.10 或更高版本，以及 psycopg2、qdrant-client 等客户端库；约 8GB 可用内存，用于在笔记本上舒适地跑完评测
- 转载与修改 · 课程页面与材料：未找到明确许可。网页未见对本文内容的许可声明；文中提到的 pgvector 为开源 Postgres 扩展，但其许可不覆盖本文 [依据](<https://machinelearningmastery.com/pgvector-vs-dedicated-vector-databases-a-production-benchmark/>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）