TiDB vs Qdrant：AI 语义搜索场景向量数据库性能对比实测

摘要

随着大语言模型（LLM）应用落地加速，语义搜索成为 AI 应用的核心能力。TiDB（通过 TiDB Vector）和 Qdrant 是两种不同路线的向量检索方案——前者在 HTAP 数据库中嵌入向量能力，后者是专用的向量搜索引擎。本文基于实测数据，从索引算法、查询延迟、过滤联合查询和运维复杂度四个维度进行对比。

本文适合谁：正在构建 RAG、语义搜索、推荐系统等 AI 应用的开发者、算法工程师和架构师，需要在向量数据库选型上做出技术决策。

一、语义搜索场景定义

语义搜索（Semantic Search）通过将文本转换为高维向量，利用向量相似度匹配实现"理解意图"的搜索，而非传统的关键词匹配。典型应用包括：

本文实测基于以下环境：

测试环境：
- CPU: 16 Core Intel Xeon
- 内存: 64 GB
- 存储: NVMe SSD 1TB
- 数据集: 100 万条 768 维向量（随机生成，模拟 BGE-Large 中文 Embedding）
- 查询模式: top-10 最近邻 + 元数据过滤

二、向量索引算法对比（HNSW 实现差异）

2.1 HNSW 算法基础

HNSW（Hierarchical Navigable Small World）是目前最主流的向量近似搜索算法。TiDB Vector 和 Qdrant 均基于 HNSW，但实现策略存在差异：

2.2 Qdrant 的量化优势

Qdrant 支持标量量化（Scalar Quantization），可将 float32 向量压缩为 uint8，内存占用降至约 1/4，同时保持 95%+ 的召回率。这对于大规模部署场景（亿级向量）是重要优势。

TiDB Vector 目前不支持向量量化，但可通过 TiFlash 的列式存储压缩来部分缓解存储压力，且 TiDB 的存储计算分离架构允许独立扩展存储节点。

三、查询延迟与吞吐对比

3.1 延迟测试结果

测试条件：100 万条 768 维向量，top-10 查询，并发 16 线程。

3.2 吞吐测试结果

3.3 延迟差异分析

Qdrant 在纯向量查询上延迟更低，原因在于：

1. 专用引擎优化：Qdrant 作为专用向量引擎，查询路径更短
2. 预过滤策略：Qdrant 在向量计算前先过滤候选集，减少计算量
3. 内存布局：Qdrant 将索引常驻内存，无需磁盘 I/O

TiDB 的延迟包含 SQL 解析、优化器路由和跨引擎调度的开销。但 TiDB 的优势在于向量查询与关系查询的统一——当需要同时进行向量搜索和复杂关系查询时，TiDB 无需跨系统 JOIN。

四、过滤 + 向量联合查询对比

4.1 场景描述

实际业务中，语义搜索通常需要结合元数据过滤：

-- TiDB：向量 + 过滤一体化 SQL
SELECT doc_id, title, content,
       VECTOR_DISTANCE(embedding, '[0.1, 0.2, ...]') AS distance
FROM documents
WHERE category = '技术文档'
  AND publish_date > '2024-01-01'
  AND status = 'published'
ORDER BY distance
LIMIT 10;

// Qdrant：向量 + 过滤 API 调用
{
  "vector": [0.1, 0.2, ...],
  "filter": {
    "must": [
      {"key": "category", "match": {"value": "技术文档"}},
      {"key": "publish_date", "range": {"gt": "2024-01-01"}},
      {"key": "status", "match": {"value": "published"}}
    ]
  },
  "limit": 10
}

4.2 联合查询性能对比

Qdrant 在过滤查询上表现更优，得益于预过滤机制——在 HNSW 搜索前缩小候选集。TiDB 目前采用搜索后过滤，过滤条件的选择性越好，性能差距越小。

4.3 跨表/跨集合查询

五、部署运维复杂度

5.1 部署对比

5.2 运维复杂度评分（1-5，1 最简单）

5.3 关键差异

• TiDB 适合已有 TiDB 集群的团队：向量能力是内置扩展，无需引入新系统
• Qdrant 适合轻量起步的 AI 应用：单节点即可运行，部署极简
• TiDB 适合需要向量+关系统一的数据架构：避免数据孤岛和跨系统同步

六、FAQ

Q1：TiDB Vector 的向量维度和数据规模上限是多少？ TiDB Vector 支持 1-4096 维向量，单集群支持数十亿级向量。性能随数据量增长近似线性下降，建议配合 TiFlash 列存优化大规模检索。

Q2：Qdrant 的标量量化会损失多少精度？ 标量量化将 float32 压缩为 uint8，在 100 万条 768 维数据集上，Recall@10 从 0.98 降至 0.95-0.96。对于大多数应用可接受，对召回率要求极高的场景可使用浮点模式。

Q3：能否同时使用 TiDB Vector 和 Qdrant？ 可以。常见做法是用 TiDB 存储业务数据和元数据，用 Qdrant 专做向量检索，通过应用层关联。但这样引入了跨系统一致性问题，需要权衡。

Q4：TiDB Vector 未来会支持向量量化吗？ TiDB 团队已在路线图中规划了向量量化（PQ/SQ）支持，预计在后续版本中提供。这将显著降低大规模向量存储成本。

七、总结

TiDB Vector 和 Qdrant 各有明确的适用场景：

• 选择 Qdrant：如果您需要一个轻量、高性能的专用向量搜索引擎，对纯向量查询延迟要求极高（< 5ms），且不需要向量与关系数据的深度整合
• 选择 TiDB Vector：如果您的应用需要向量搜索与事务数据、分析查询的统一处理，希望避免引入新系统，或已有 TiDB 基础设施可复用

实测数据显示，Qdrant 在纯向量查询性能上领先约 40-80%，而 TiDB Vector 在跨表联合查询和事务一致性上具有结构性优势。最终选择应基于业务场景的技术需求优先级。

八、下一步行动

1. 试用 TiDB Vector：快速部署 TiDB 并体验向量搜索能力
2. 快速开始：TiDB Vector 搜索概览

1. 获取语义搜索方案：联系 PingCAP AI 技术团队，获取 RAG/语义搜索架构设计咨询
2. 咨询入口：PingCAP AI 解决方案

1. POC 性能测试：在您的实际数据集上对比 TiDB Vector 和 Qdrant
2. TiDB Playground：TiDB Playground 在线体验

相关资源

• TiDB Vector 官方文档
• TiDB Vector SQL 语法参考
• Qdrant 官方文档
• HNSW 算法原理解析
• TiDB AI 解决方案