pgvector、Milvus、Elasticsearch 做向量检索怎么选？
面试怎么回答
pgvector 的优点是和业务数据在一起，一条 SQL 能同时做向量检索、过滤和关联，复用 PostgreSQL 的事务和权限，缺点是上亿规模时扩展性有限。Milvus 这类专用向量库为向量设计，能分布式扩展到数十亿、索引类型丰富，但多一套系统、结构化查询能力弱。ES 全文检索成熟，混合检索方便，很多公司已有集群，但纯向量性能和资源效率通常不如专用库。我会看数据规模、是否需要混合检索、过滤条件复杂度、现有技术栈、更新频率、多租户和内存成本。起步用现有系统验证价值，用自己的数据压测召回、延迟、过滤和写入，并在应用层封装检索接口方便以后替换。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
做 RAG 时，向量存储的选择很多：在 PostgreSQL 里加 pgvector 扩展、用专门的向量数据库（Milvus、Qdrant、Weaviate 等）、用 Elasticsearch / OpenSearch 的向量检索，还有各种云服务。面试官问选型，想听的是你根据什么条件做取舍。
三类方案的特点
pgvector（关系数据库扩展）
- 优点：和业务数据在一起，可以在一条 SQL 里同时做向量检索、条件过滤、关联查询；事务、备份、权限都复用 PostgreSQL；团队学习成本低；
- 缺点：大规模（上亿向量）时，单机性能和扩展性有限；索引构建和内存占用需要关注。
专用向量数据库（以 Milvus 为例）
- 优点：为向量检索设计，支持分布式扩展到数十亿规模；索引类型丰富（HNSW、IVF、DiskANN、GPU 索引）；存算分离、多副本；
- 缺点：多维护一套系统；复杂的结构化查询和关联能力不如关系数据库。
Elasticsearch / OpenSearch
- 优点：全文检索（BM25）能力成熟，向量检索和关键词检索在同一个系统里，做混合检索很方便；很多公司已经有 ES 集群和运维经验；
- 缺点：纯向量检索的性能和资源效率通常不如专用向量库；大规模向量下内存开销较大。
选型时看什么
- 数据规模：百万到千万级，pgvector 或 ES 通常够用；上亿到数十亿，考虑专用向量库；
- 是否需要混合检索：关键词检索很重要（专有名词、编号多）时，ES 或者支持稀疏向量和全文检索的方案更方便；
- 过滤条件的复杂度：需要按权限、部门、时间等复杂条件过滤时，看过滤和向量检索结合的性能；
- 现有技术栈：已有 PostgreSQL 或 ES 的团队，先用现有系统，运维成本最低；
- 更新频率：频繁更新和删除时，看各系统的写入和索引维护性能；
- 多租户：租户多时，看是否支持分区、按租户隔离；
- 成本：内存成本是大头，看是否支持量化和磁盘索引。
我的建议
- 起步阶段用现有系统，快速验证业务价值；
- 用自己的数据做压测：召回率、P99 延迟、带过滤条件的查询性能、写入性能；
- 在应用层封装一层检索接口，以后需要换存储时影响范围可控。