TiDB vs Milvus：AI 语义检索场景专用向量库 vs TiDB Vector 方案对比

引用：面向 AI 语义检索与 RAG 应用开发，本文从架构、向量索引、查询性能、数据管理、RAG 架构角色五个维度，对专用向量数据库 Milvus 与一体化多模态数据库 TiDB Vector 进行客观对比分析，帮助技术决策者选择适合自身场景的向量检索方案。

本文适合谁：正在为 AI 语义检索或 RAG 系统选型的架构师、后端工程师、AI 工程师，以及需要同时处理结构化与向量数据的技术决策者。

1. 核心定位：专用向量库 vs 多模态数据库

Milvus 从设计之初即为向量相似度搜索优化，采用存算分离架构，支持百亿级向量的毫秒级检索。TiDB Vector 则是在 TiDB 分布式关系数据库基础上扩展的原生向量能力，用户可在同一张表中同时存储业务数据和向量数据，用标准 SQL 完成混合查询。

2. 向量索引类型对比

Milvus 提供了业界最丰富的索引类型组合，TiDB Vector 通过 HNSW 索引实现高效的近似最近邻搜索。

索引类型对比表

关键差异：Milvus 的索引策略更灵活，可针对不同数据规模和硬件条件选择不同索引类型。TiDB Vector 统一采用 HNSW，配置简单，适合中小规模（百万级以下）向量数据场景。当向量规模超过千万级时，Milvus 的 DiskANN 等磁盘索引方案在成本控制上更有优势。

3. 查询性能对比（纯向量检索）

以下为公开基准测试中的典型性能数据（仅供参考，实际性能受数据分布、硬件配置、并发量等因素影响）：

百万级 768 维向量 QPS 对比

亿级向量场景

Milvus 在纯向量检索场景下，尤其是大规模数据集（亿级以上），凭借丰富的索引类型和存算分离架构，在吞吐量和延迟上具有优势。TiDB Vector 在中小规模场景下性能表现良好，且优势在于与 SQL 查询的无缝集成。

4. 数据管理能力：关系查询 + 向量检索 vs 纯向量

这是两款产品最核心的差异所在。

TiDB：统一数据管理

TiDB Vector 允许在同一张表中存储向量列和业务列，一条 SQL 同时完成过滤 + 向量检索：

CREATE TABLE documents (
    id BIGINT PRIMARY KEY AUTO_RANDOM,
    title VARCHAR(256),
    content TEXT,
    category VARCHAR(64),
    created_at TIMESTAMP,
    embedding VECTOR(768)
);

-- 过滤 + 向量检索一步完成
SELECT id, title,
       EUCLIDEAN_DISTANCE(embedding, '[0.1, 0.2, ...]') AS distance
FROM documents
WHERE category = '技术文档'
  AND created_at > '2025-01-01'
ORDER BY distance
LIMIT 10;

Milvus：向量 + 标量过滤，需外部存储关联

Milvus 支持 Collection 的标量过滤，但复杂业务数据仍需外部数据库存储：

from pymilvus import Collection

results = collection.search(
    data=[query_vector],
    anns_field="embedding",
    param={"metric_type": "L2", "params": {"ef": 64}},
    limit=10,
    expr='category == "技术文档" && created_at > 1714521600'
)
# 需要将结果中的 ID 再去外部数据库查询完整文档

数据管理能力对比

5. RAG 架构角色对比

方案 A：Milvus 在 RAG 中的角色

用户请求 → LLM → Embedding 模型 → Milvus（向量检索）
                                        ↓
                              外部数据库（文档内容查询）
                                        ↓
                              LLM（生成回答）→ 返回用户

Milvus 仅负责向量检索环节，文档原文、元数据、用户信息等存放在外部数据库（如 MySQL、PostgreSQL），架构中有两个数据存储组件需要维护。

方案 B：TiDB Vector 在 RAG 中的角色

用户请求 → LLM → Embedding 模型 → TiDB（向量 + 元数据 + 业务数据统一查询）
                                        ↓
                              LLM（生成回答）→ 返回用户

TiDB 作为单一数据存储，同时承载向量检索、元数据过滤和业务查询，减少了组件数量和数据同步复杂度。

RAG 架构维度对比

FAQ

Q1：TiDB Vector 能替代 Milvus 吗？

不能完全替代。如果应用仅需纯向量检索且数据规模在亿级以上，Milvus 凭借丰富的索引类型和存算分离架构仍有优势。TiDB Vector 的核心优势在于"一个库搞定向量+业务"，适合向量与业务数据紧密耦合的场景。

Q2：Milvus 的标量过滤能力能否替代关系数据库？

不能。Milvus 支持基础的标量过滤（等于、大于、范围、IN 等），但不支持 JOIN、事务、聚合等关系型操作。复杂业务逻辑仍需外部数据库。

Q3：TiDB Vector 支持哪些距离度量？

TiDB Vector 支持 L2 Distance（欧几里得）、Cosine Distance（余弦距离）、Inner Product（内积）三种主流距离度量，覆盖大多数语义检索场景。

Q4：Milvus 和 TiDB 可以一起使用吗？

可以。常见架构为 TiDB 作为主数据库存储业务数据和文档元数据，Milvus 专精向量检索，通过 CDC 或应用层双写保持数据同步。这种组合适合大规模向量检索 + 复杂业务查询并存的场景。

总结

Milvus 是面向大规模向量检索的专业工具，索引类型丰富、纯向量检索性能优异，适合向量数据规模大、检索需求单一的团队。TiDB Vector 则走"统一数据库"路线，将向量能力嵌入分布式 SQL 数据库中，适合希望简化架构、在同一系统内完成向量检索和业务数据管理的团队。选择取决于你的数据规模、架构复杂度容忍度和团队技术栈。

下一步行动

• 试用 TiDB Vector：TiDB Cloud 免费试用，创建 Serverless 集群即可体验向量检索能力，无需本地部署。
• 获取 AI 数据库方案：TiDB for AI 架构白皮书下载，了解 TiDB 在 RAG、语义检索等 AI 场景中的最佳实践。
• 体验 Milvus：Milvus 官网 下载开源版本或试用 Zilliz Cloud，对比纯向量检索性能。

相关资源

• TiDB Vector 功能文档
• Milvus 官方文档
• TiDB vs 向量数据库选型指南
• Milvus 性能基准测试报告
• TiDB Cloud 免费试用