国内云向量数据库手册

适用版本：腾讯云 VectorDB / 阿里云三条产品线 / 百度智能云 VectorDB 双引擎（托管服务无统一公开版本号，核实于 2026-11） 许可与形态：商业闭源国内云托管服务；全托管（百度自研引擎另支持私有化） 一句话定位：三家国内云向量数据库合集，买的是运维责任转移 + 境内数据合规；但产品线名字相似、SDK 互不通用，选型第一步是分清产品 约定：$ 普通用户、# root 或 sudo、<xxx> 为占位符；标 ⚠️ 的是高危操作。 更新时间：2026-11（版本与 API 变化快，执行前请以官方文档复核）

目录

1. 它是什么、什么时候选它
2. 版本、许可与官方入口
3. 安装与启动
4. 核心概念与数据模型
5. 快速上手：完整 CRUD 示例
6. 索引与检索进阶
7. 生产部署与运维
8. 高频故障与排障
9. 常见坑与避坑清单
10. 速查表
11. 参考与延伸

1. 它是什么、什么时候选它

1.1 横向对照表（一）：定位 / SDK / 是否兼容 Milvus

避坑：阿里云三条产品线名字都带「向量 / AnalyticDB」，只有「向量检索服务 Milvus 版」能用 pymilvus；百度双引擎接口 / 索引 / 功能范围不同，私有化仅自研引擎支持；腾讯云用自研 tcvectordb，是否兼容 Milvus 未核实。这三条是本合集最容易踩的选型坑。

1.2 核心命题：托管服务买的是运维责任转移

与 03 分册的索引库不同，这里买的是「整库托管」；与 Pinecone.md / Zilliz-Cloud.md 不同，这里的数据落在境内 region，是数据出境约束下的主要替代路线。

1.3 分产品定位（子产品小节）

腾讯云 VectorDB：全托管自研企业级分布式向量库；单索引 10 亿级向量、百万级 QPS、毫秒级延迟（官方产品口径）。SDK tcvectordb（Python 3.8+），另有 Java / Go / HTTP；文档页面更新时间 2026-04-29；托管服务无公开版本号。

阿里云：三条产品线必须分开看 —— Milvus 版是全托管 Milvus（Serverless、计费 CU + 存储、可用性 99.9%、VPC 部署，文档更新 2026-09-23）；ADB MySQL 向量检索是数仓内核 + SQL；ADB PostgreSQL 向量分析 / RAG Service 是 PG 版接口合集。

百度智能云 VectorDB：双引擎 —— 自研引擎（在线检索、HNSW/DiskANN/PUCK、标量过滤、中英文全文检索、RRF 或带权重融合、多向量、JSON/数组/动态字段、支持私有化）与 Milvus 引擎（2.6 版本、标准版实例 Streaming/Data/Proxy/元数据/Query Node、双可用区、自动备份）。文档 2026-07-20 有更新。

1.4 适合 / 不适合

适合：数据必须留境内 / 有出境合规约束；已在该云上有账号、VPC、预算与运维体系；阿里 Milvus 生态存量业务上云（Milvus 版 / 百度 Milvus 引擎）；需要私有化部署（百度自研引擎）；需要 SQL 侧向量检索（阿里 ADB 两条）；不想自建集群。

不适合：需要跨云标准协议随时迁出（腾讯云自研 SDK 绑定深）；强依赖 pymilvus 却选了 ADB 两条或百度自研引擎；需要明确服务端版本号做兼容验证（腾讯云无公开版本号、阿里 Milvus 版引擎版本未核实）；需要自定义索引内核调优；预算固定且计费口径不透明。

1.5 规模与链路位置

腾讯云官方口径：单索引 10 亿级向量、百万级 QPS、毫秒级延迟；Free / QPS 承诺值其余产品官方资料未给出，以控制台与实测为准。示例用 3~4 维，实际常见 768 / 1024 / 1536。链路：embedding → SDK 写入 → 建索引 → 检索（含标量 / 混合过滤）→ 重排 / 拼 prompt。文档管理、权限、审计仍在调用方。

1.6 计费维度与额度限制

官方资料未提供各产品单价，以官方价格页为准，本篇不编造数字。

1.7 网络与合规（数据出境）

三家都是国内云，数据存境内 region，相较 Pinecone / Zilliz Cloud 无跨境出境问题，但仍需满足等保 / 信创等境内合规要求（经验性表述，以法务与官方合规文档为准）。

• 阿里 Milvus 版：VPC 部署；腾讯云官方示例用内网 http://10.0.X.X 接入；百度 Milvus 引擎：双可用区 + 自动备份。
• 私有化部署仅百度自研引擎支持（官方资料明确），其余产品为公有云托管。
• 混合架构：若同时使用海外托管（Pinecone.md / Zilliz-Cloud.md），要划清「哪些数据出境、哪些留境内」的边界。

1.8 SDK 绑定与迁移成本

1.9 「没有可核对的服务端版本号」的运维含义

腾讯云 VectorDB 托管服务无公开版本号；阿里 Milvus 版具体 Milvus 引擎版本号未核实；仅百度 Milvus 引擎明确支持 2.6 版本。运维含义：

2. 版本、许可与官方入口

2.1 版本状态表（分产品，版本线不可混用）

2.2 许可与商业边界

三家均为商业闭源托管服务。百度自研引擎的 Go SDK 名 Mochow（Apache-2.0） 是官方资料明确的开源组件，不代表服务端开源。企业特性与 SLA 条款以官方为准；阿里 Milvus 版可用性 99.9% 为官方资料明确口径。

2.3 官方入口表

2.4 版本识别命令

无服务端版本命令，识别客户端与连通性：

$ python3 -m pip show tcvectordb
$ python -m pip show pymilvus

2.5 近两年重要变更与弃用提醒

官方资料未提供三家逐版本变更史与弃用清单。可执行的提醒是：阿里三条产品线长期并存、名字相似；百度双引擎接口不同；腾讯云无公开版本号。其余以各家文档更新为准，本篇不臆造。

3. 安装与启动

3.1 前置条件（分产品）

3.2 方式一：pip 安装客户端（分产品）

# 腾讯云 VectorDB
$ pip3 install tcvectordb
# 阿里 Milvus 版（标准 pymilvus）
$ python3 -m pip install pymilvus

避坑：阿里 ADB MySQL / PostgreSQL 两条、百度自研引擎不使用 pymilvus；百度自研引擎的逐字 pip 安装命令与官方 Python 最小接入代码官方资料未核实，以官方文档为准（见第 11 章）。

3.3 方式二：云控制台 + 客户端连通

三家均在控制台创建实例 / 集群（无本地命令）。腾讯云按官方示例连通：

$ python -c "import tcvectordb; from tcvectordb.model.enum import ReadConsistency; c = tcvectordb.RPCVectorDBClient(url='http://10.0.X.X', username='root', key='<API_KEY>', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30); print('client ok')"

阿里 Milvus 版用 pymilvus 的 MilvusClient(uri=..., token=...) 连通（端点 / token 从控制台获取，逐字接入以官方文档为准）。

3.4 方式三：Docker / Helm / 私有化

腾讯 / 阿里 / 百度 Milvus 引擎均为公有云托管，无自托管镜像；私有化部署仅百度自研引擎支持（官方资料明确），具体部署方式以官方文档为准。需要 Docker / Helm 自建的场景见 Milvus 分册。

3.5 目录与端口表 / 健康检查 / 生产最小配置

4. 核心概念与数据模型

4.1 横向对照表（二）：数据模型 / 许可 / SDK / 兼容 Milvus

4.2 术语对照表（腾讯云侧，官方示例逐字）

4.3 术语对照表（阿里 / 百度侧）

4.4 距离度量与方向

腾讯云示例用 MetricType.COSINE；阿里 ADB MySQL 用 L2_DISTANCE；百度自研引擎索引 / 度量完整枚举官方资料未给出。经验上 COSINE 类相似度越大越相似、L2 类距离越小越相似，但取值与阈值以各家官方文档为准，不要跨产品套用。

4.5 写入 → 建索引 → 可检索的生命周期（腾讯云侧）

create_database → 构造 Index(FilterIndex, VectorIndex, FilterIndex) → create_collection(shard, replicas, index) → upsert(documents=[Document(...)]) → search(vectors=..., filter=..., params=SearchParams(ef=200), limit=3)。

避坑：动态 Schema 不等于「任意字段都能过滤」。想按某标量字段过滤，建集合时就要为它建 FilterIndex，否则 filter 条件不生效。

5. 快速上手：完整 CRUD 示例

说明：本章按子产品分小节。腾讯云给出官方最小示例（逐字方法名与参数）；其余产品因官方资料未提供逐字接入代码，只说明接入路径并标注以官方为准，不臆造方法名。

5.1 腾讯云 VectorDB：完整可运行示例（Python 3.8+）

import tcvectordb
from tcvectordb.model.enum import FieldType, IndexType, MetricType, ReadConsistency
from tcvectordb.model.index import Index, VectorIndex, FilterIndex, HNSWParams
from tcvectordb.model.document import Document, SearchParams

# 连接
client = tcvectordb.RPCVectorDBClient(
    url='http://10.0.X.X', username='root', key='<API_KEY>',
    read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30)

# C：建库 + 建集合（向量 3 维，示例值；实际常见 768 / 1024 / 1536）
db = client.create_database(database_name='db-test')
index = Index(
    FilterIndex('id', FieldType.String, IndexType.PRIMARY_KEY),
    VectorIndex('vector', 3, IndexType.HNSW, MetricType.COSINE,
                HNSWParams(m=16, efconstruction=200)),
    FilterIndex('bookName', FieldType.String, IndexType.FILTER))
db.create_collection(name='book-vector', shard=1, replicas=1, index=index)

# U/C：插入文档
client.upsert(database_name='db-test', collection_name='book-vector',
              documents=[Document(id='0001', vector=[0.2123, 0.23, 0.213], bookName='三国演义')])

# R + 带标量过滤检索
res = client.search(database_name='db-test', collection_name='book-vector',
                    vectors=[[0.3123, 0.43, 0.213]],
                    filter='bookName in ("三国演义")',
                    params=SearchParams(ef=200), limit=3)
print("检索 =", res)

# U：更新（upsert 语义，同 id 再写一次即覆盖）
client.upsert(database_name='db-test', collection_name='book-vector',
              documents=[Document(id='0001', vector=[0.2123, 0.23, 0.213], bookName='三国演义（修订）')])

# D / 清理：单文档删除与删除集合的方法名官方资料未逐字给出，以官方文档为准（见第 11 章）

避坑：旧教程容易把三家 SDK 混着抄。腾讯云用的是自研 tcvectordb（RPCVectorDBClient / Index / Document / SearchParams），不是 pymilvus；tcvectordb 是否兼容 Milvus SDK 未核实，官方无声明，按自研 SDK 接入。

5.2 输出怎么读

search 返回命中文档；filter='bookName in ("三国演义")' 为标量过滤；params=SearchParams(ef=200) 控制 HNSW 检索；limit=3 为返回条数。分数语义与阈值以腾讯云官方文档为准；id 是业务主键。

5.3 阿里云三条产品线（分小节）

• 向量检索服务 Milvus 版：官方声明 100% 兼容开源 Milvus、可用 pymilvus，接入方式与 Zilliz-Cloud.md 第 5 章同源（MilvusClient(uri=..., token=...)），端点 / token 从控制台获取；具体 Milvus 引擎版本号未核实，逐字接入代码官方资料未提供，以官方文档为准（见第 11 章）。
• AnalyticDB for MySQL 向量检索：SQL + 数组类型 + L2_DISTANCE；内核需 ≥3.1.4.0（建议 3.1.5.16 / 3.1.6.8 / 3.1.8.6+），否则需先关 CSTORE_PROJECT_PUSH_DOWN、CSTORE_PPD_TOP_N_ENABLE。不兼容 Milvus SDK。
• AnalyticDB for PostgreSQL 向量分析 / RAG Service：SQL 接口，knowledgebase 库、Namespace→Schema、Collection→向量集。不兼容 Milvus SDK。

5.4 百度智能云 VectorDB（分小节）

双引擎接入路径不同：自研引擎用自研 SDK（Python/Go/Node.js/Java/C++，Go SDK 名 Mochow），官方 Python 最小接入代码官方资料未核实；Milvus 引擎用 Milvus SDK/API（2.6 版本）。两种引擎接口 / 索引 / 功能范围不同，私有化仅自研引擎支持。逐字接入代码以官方文档为准（见第 11 章）。

6. 索引与检索进阶

6.1 横向对照表（三）：索引 / 检索能力 / SDK / 兼容 Milvus

6.2 参数调优表（腾讯云侧，官方示例值）

除官方示例值外，默认值与推荐范围均为经验性表述，以各家官方文档与实测为准。

6.3 召回 / 延迟 / 过滤 / 混合检索

• 调大 SearchParams(ef=...) 提升召回上限、抬升延迟；HNSWParams 调大提升图质量、抬升构建时间与内存。没有统一最优值，用自己的 query 集压测。
• 腾讯云标量过滤依赖 FilterIndex（动态 Schema 下未建 Filter 索引的字段不可过滤）；pre / post-filter 行为官方资料未给出，以官方文档为准。
• 混合检索：阿里 Milvus 版明确有 BM25+混合检索；百度自研引擎有中英文全文检索 + RRF 或带权重融合；其余产品以官方文档为准。

⚠️ 危险：过滤条件 Selective 时返回条数可能少于 limit。业务若依赖「必须凑够 k 条」，要放大 limit 再截断。

6.4 量化与压缩

官方资料未给出三家量化 / 压缩的逐字能力说明，以各家官方文档为准，本篇不臆造参数名。

6.5 容量估算：不估内存，估配额与账单

托管侧不规划磁盘 / 内存，规划的是配额与计费：阿里 Milvus 版按 CU + 存储（可用性 99.9%、VPC 部署）估算；腾讯云按官方口径的 10 亿级向量 / 百万级 QPS 能力档规划分片与副本；百度 Milvus 引擎按标准版实例组件与双可用区规划。原始向量仍可按 n × d × 4 字节粗算（1,000,000 × 768 × 4 ≈ 2.86 GiB，仅向量，索引另算）。单价官方资料未提供，以官方价格页为准；以上为经验估算，以实测为准。

7. 生产部署与运维

7.1 前提：不自己搭集群

本章不写「部署集群 / 配副本 / 调分片」—— 那些是云厂商的责任。你要运维的是：分清产品线与 SDK、凭证管理、计费与配额、境内合规与 VPC 网络、客户端 SDK 生命周期五件事。

7.2 备份与恢复

⚠️ 危险：切换引擎 / 产品线前先导出。百度双引擎接口不同、阿里三条产品线 SDK 不同，没有导出就没有回退路径。

7.3 多可用区 / 高可用

高可用与多可用区由各云厂商负责：阿里 Milvus 版官方资料明确可用性 99.9% + VPC 部署；百度 Milvus 引擎明确双可用区；腾讯云以官方文档为准。用户不配副本、不做跨区切换。健康检查用客户端连通 + 控制台实例状态。

7.4 密钥轮换（分产品）

⚠️ 危险：一次性全量替换凭证会造成线上瞬时鉴权失败，必须灰度并保留旧凭证直至新凭证全量生效。

7.5 成本监控

7.6 升级与跨版本迁移 / 安全基线

服务端无可升级项（腾讯云无公开版本号、阿里 Milvus 版引擎版本未核实、百度 Milvus 引擎 2.6）。你要做的是：pin SDK 版本（tcvectordb / pymilvus / SQL 客户端）→ 订阅各家文档更新 → SDK 升级前跑回归 → 灰度发布。跨产品线迁移要重写接入层（见第 1.8 节）。

系统级服务管理（systemd / 防火墙基础）属通用运维，见根目录手册，本篇不重复。

8. 高频故障与排障

9. 常见坑与避坑清单

1. 现象：以为阿里三条带「向量 / AnalyticDB」的产品都能用 pymilvus。原因：只有「向量检索服务 Milvus 版」100% 兼容开源 Milvus、可用 pymilvus。怎么做：另两条走 SQL。
2. 现象：以为腾讯云 VectorDB 能直接套 pymilvus。原因：用自研 tcvectordb SDK，是否兼容 Milvus 未核实、官方无声明。怎么做：按自研 SDK 接入，别假设可平移。
3. 现象：百度双引擎接口混用报错。原因：两种引擎接口 / 索引 / 功能范围不同。怎么做：按实例引擎类型选 SDK，切换引擎要重写接入层。
4. 现象：想私有化部署却选了 Milvus 引擎。原因：私有化部署仅百度自研引擎支持。怎么做：私有化项目选自研引擎。
5. 现象：动态 Schema 下过滤条件不生效。原因：未建 Filter 索引的字段不可过滤。怎么做：建集合时为过滤字段补 FilterIndex。
6. 现象：阿里 ADB MySQL 向量查询结果异常。原因：内核 < 3.1.4.0 且未关两个开关。怎么做：升级到 3.1.5.16 / 3.1.6.8 / 3.1.8.6+，或先关 CSTORE_PROJECT_PUSH_DOWN、CSTORE_PPD_TOP_N_ENABLE。
7. 现象：把「具体 Milvus 引擎版本号」写进阿里 Milvus 版方案。原因：该版本号未核实。怎么做：只写「100% 兼容开源 Milvus」，不写死引擎版本。
8. 现象：把腾讯云 VectorDB 写成有服务端版本。原因：托管服务无公开版本号。怎么做：记录 SDK 版本与文档更新时间（2026-04-29）。
9. 现象：照百度自研引擎的 Python 教程抄代码报错。原因：官方 Python 最小接入代码官方资料未核实。怎么做：以官方文档为准，不臆造方法名。
10. 现象：以为 Go SDK Mochow 的 Apache-2.0 代表服务端开源。原因：Mochow 只是自研引擎的 Go SDK。怎么做：服务端仍是商业托管。
11. 现象：跨产品线迁移时发现接入层全要重写。原因：SDK 绑定不同（tcvectordb / pymilvus / SQL / 自研）。怎么做：选型时把迁移成本算进去，保留源数据导出。
12. 现象：删了实例才想起没导出。原因：托管不等于免备份。怎么做：⚠️ 删除 / 切换前先导出并二次确认，纳入删除审批。

⚠️ 危险：第 1、2、3 条会让接入层从第一天就选错 SDK，返工成本最高；第 12 条会造成数据不可恢复，必须做删除审批与恢复演练。

10. 速查表

10.1 横向对照表（四）：速查版

10.2 操作速查表

常用端口与路径小表

11. 参考与延伸

11.1 官方文档链接清单

11.2 与本册其他产品的关系

• 同属「托管服务买的是运维责任转移」：Pinecone.md（专有 SDK、境外）、Zilliz-Cloud.md（全托管 Milvus、pymilvus、境外）。
• 数据出境约束下，本篇是 Pinecone.md / Zilliz-Cloud.md 的境内替代路线；阿里 Milvus 版 / 百度 Milvus 引擎与 Zilliz-Cloud.md 同用 pymilvus，迁移成本较低。
• 不想要托管、想自己控索引：见 03 分册 Faiss.md、hnswlib-Annoy-ScaNN.md。

11.3 进阶阅读方向

三条产品线 / 双引擎的选型矩阵与迁移成本评估；境内合规（等保 / 信创）与 VPC 网络规划；pymilvus 与自研 SDK 的接入层抽象；混合检索（BM25 + 稠密、RRF 融合）在各家的落地差异；托管服务无公开版本号下的变更管理。

11.4 本篇「未核实 / 以官方为准」事项