为什么向量库的"免费"分两种？
很多开发者把"免费向量数据库"当成一件事，其实它分两条完全不同的路：
① 本地开源免费：Chroma、pgvector、Milvus Lite 这类方案跑在你自己的机器上，数据不出门，永久免费、无查询上限，但你要自己承担运维和硬件。 ② 云托管免费套餐：Qdrant Cloud、Weaviate Cloud 这类方案提供开发者免费档位（通常 1 个索引、1-2GB 存储），零运维、免信用卡，但容量小，超了要付费。
搞混这两者，是 RAG 项目成本失控的第一大原因。本榜单把 6 个主流方案放在一起，按 5 个维度 25 分制实测打分，帮你一次选对。
五维评分总榜（满分 25）
评分维度：免费额度可持续性（免费是永久的还是试用？）/ 上手零配置（多快能跑通？）/ 性能与规模（单机与集群能力）/ 商用合规（开源协议与数据主权）/ 生态集成（LangChain/LlamaIndex/框架支持）。
| 排名 | 方案 | 免费形式 | 免费额度可持续 | 上手零配置 | 性能规模 | 商用合规 | 生态集成 | 总分 |
|---|---|---|---|---|---|---|---|---|
| 🥇 | Chroma | 本地开源 | 5 | 5 | 3 | 5 | 5 | 23 |
| 🥈 | pgvector | 本地开源（PG 插件） | 5 | 4 | 4 | 5 | 5 | 23 |
| 🥉 | Qdrant | 自托管 + Cloud 免费档 | 4 | 4 | 5 | 5 | 4 | 22 |
| 4 | Weaviate | 自托管 + Cloud 免费档 | 4 | 4 | 4 | 5 | 4 | 21 |
| 5 | Milvus（Lite/Zilliz） | 本地 Lite + 云免费档 | 4 | 3 | 5 | 5 | 4 | 21 |
| 6 | Vespa | 本地开源 | 5 | 2 | 5 | 5 | 2 | 19 |
数据复核至 2026-09-14，各云免费档位容量以官网 pricing 页为准（免费档位会随厂商策略调整）。
分方案详解
🥇 Chroma —— 原型首选，一条 pip 命令跑通
免费形式：完全开源（Apache 2.0），本地嵌入模式随你的 Python 进程运行，零基础设施成本。
适合：RAG 原型、个人知识库、教学演示。pip install chromadb 之后，创建集合、插入向量、相似度搜索三步完成，不需要起任何服务。
短板：单机嵌入架构，向量上百万后召回延迟明显上升，不适合生产级高并发。
一句话：先用它把 RAG 逻辑跑通，再考虑要不要换生产级方案。
🥈 pgvector —— 已有 PostgreSQL 的团队最优解
免费形式：开源插件（PostgreSQL 生态），跑在你已有的 PG 实例上，不引入新运维负担。
适合：业务数据本来就在 PostgreSQL 的团队。向量检索和普通 SQL 业务查询在同一个库、同一个事务里完成，不需要维护"业务库 + 向量库"两套基础设施，数据一致性天然保证。
性能：HNSW/IVFFlat 索引在千万级向量内表现稳定，2026 年 PG 官方版本已把向量能力逐步纳入主线讨论。
一句话：如果你们已经有 PG，pgvector 是"零新增成本"的最优解。
🥉 Qdrant —— 性能党首选，Rust 引擎 + 复杂过滤
免费形式：开源（Apache 2.0）自托管 + Qdrant Cloud 开发者免费档（1 个 collection、1GB 存储级别，以官网为准）。
适合：有复杂过滤需求（按元数据筛选后再做向量检索）、追求高吞吐与低延迟的项目。Rust 实现 + ACORN 等新算法让它在同等硬件上比多数方案更省内存。
短板：云免费档容量小；自托管要自己管 Docker/K8s。
一句话：性能与过滤能力的天花板，云免费档适合起步验证。
4. Weaviate —— 多模态 + 内置向量化最省心
免费形式：开源（BSD-3）自托管 + Weaviate Cloud 开发者免费档（以官网为准）。
适合：多模态检索（图+文+视频混合）、希望数据库内置 Embedding 模型免去外部调用链的项目。GraphQL 接口 + 原生混合检索（向量 + BM25 关键词）开箱即用。
短板：Go 实现，生态工具链比 Qdrant/Milvus 略薄；大规模场景成本上升较快。
一句话：做 AI 原生产品、想要"数据库里就带向量化"的，Weaviate 最省心。
5. Milvus / Zilliz —— 超大规模与私有化场景
免费形式：Milvus 开源（Apache 2.0），Milvus Lite 可嵌入本地进程；Zilliz Cloud 有免费档位（以官网为准）。
适合：亿级以上向量、国内私有化部署、需要存算分离云原生架构的大规模场景。DiskANN 索引在 GPU 加速下重建速度领先。
短板：完整集群架构组件多，小团队运维门槛高；Lite 版功能有裁剪。
一句话：小规模先用 Lite，真正上亿级向量再上集群，别一上来就集群化。
6. Vespa —— 工业级怪兽，但门槛最高
免费形式：完全开源（Apache 2.0），Yahoo/Verizon 级流量背书，自托管永久免费。
适合：需要同时做向量检索 + 全文检索 + 排序业务逻辑（SPU 级查询计划编排）的超大规模搜索系统。
短板：学习曲线陡峭，小规模场景杀鸡用牛刀，生态集成文档对 AI/RAG 开发者不够友好。
一句话：除非你要造搜索引擎，否则前面五个里选就够了。
剔除清单（为什么没进榜）
| 方案 | 剔除原因 |
|---|---|
| Pinecone | 无永久免费档，仅试用额度；Serverless 省心但计费按存储+读取单元，长期成本高 |
| Elasticsearch 向量 | 已不再提供永久免费托管档位 |
| Redis 向量 | 免费额度极小且面向缓存场景 |
选型决策树
- 只是原型/学习 RAG → Chroma
- 业务数据已在 PostgreSQL → pgvector
- 要复杂过滤 + 高性能 → Qdrant
- 多模态 + 内置 Embedding → Weaviate
- 亿级向量 / 国内私有化 → Milvus
- 造搜索引擎 → Vespa
一句话结论：90% 的个人与中小团队，"Chroma 起步 + 生产迁移 Qdrant 或 pgvector"是 2026 年零成本 RAG 的最稳路径。
下一步
向量库是 RAG 的"地基"，上面还要配 Embedding 模型才能跑通完整链路。本站 free API 栏目已有 免费 Embedding API 完全教程（Cloudflare/Ollama/Jina 五大渠道零成本向量生成）与 MCP 免费教程，配合本文的向量库选型，一套完整 RAG 栈可以零成本搭完。更多免费 API 与渠道，欢迎访问 apishare.cc 免费注册体验。
免费额度领取与继续阅读
本文提到的每一家厂商，在 APIShare 都已开通免费通道，不需要信用卡，也不需要跨境支付。注册一个账号即可用统一网关调用，并统一管理额度与调用日志。
- 免费注册：https://apishare.cc/register
- 登录入口：https://apishare.cc/auth/login
- 免费 API 全量目录：https://apishare.cc/free-api
想看更多免费 API 实测榜单：
- 免费大模型 API 榜单：https://apishare.cc/article/fa-2e18b3b3
- 免费图生图 API 榜单：https://apishare.cc/article/fa-adea7c3a
- 免费视频生成 API 榜单：https://apishare.cc/article/fa-f939a44f
- 免费语音克隆 API 榜单：https://apishare.cc/article/fa-b62f55ba
- 免费 OCR 与文档解析教程：https://apishare.cc/article/fa-8a0b7f9b
- 免费内容审核实践：https://apishare.cc/article/fa-1ab5cc54
- 免费 Nemotron 550B 大模型指南：https://apishare.cc/article/fa-50ec2a33
- 免费图像增强 API 榜单：https://apishare.cc/article/fa-92254dd1
- 免费翻译 API 榜单：https://apishare.cc/article/fa-df482919
从这条链接进入的读者（utm_source=apishare_devto&utm_medium=article&utm_campaign=lead_gen）建议先注册免费账号，再用 APIShare Key 直接跑通全文。APIShare 当前已接入 20+ 个可用的免费 API 网关，覆盖大模型、图像、视频、语音多个方向。
相关榜单入口
本文涉及的品类在 APIShare free-api 栏目均有实测榜单，入口统一在 https://apishare.cc/free-api ，也可从 https://apishare.cc/free-api 直接进入完整目录。注册账号：https://apishare.cc/register
中文速查：向量库选型只看这五个维度
榜单正文已经给出五维实测，这里补中文用户最需要的判断顺序。
第一，先定数据量级。 万级以下用嵌入式向量库就够了，引入独立数据库反而增加运维成本。十万级以上再考虑分布式方案。
第二，区分「存」和「搜」。 很多团队其实只需要「存 + 精确查」，不需要向量检索。用 embedding 硬扛精确匹配，既慢又贵。
| 你的实际需求 | 该用什么 |
|---|---|
| 按 ID / 标签精确查 | 传统数据库，不要用向量库 |
| 语义近似检索 | 向量库 + ANN 索引 |
| 结构化过滤 + 语义检索 | 向量库 + 元数据过滤 |
| 混合检索（关键词 + 语义） | 两者并用，RRF 融合 |
第三，过滤能力常被低估。 企业场景里「先按部门过滤再语义检索」几乎是刚需，选型时务必确认目标库的过滤性能，而不是只测纯向量召回。
第四，写入与更新成本。 如果你的知识库每天都在变，增量更新能力比峰值 QPS 更重要。批量重建索引在动态场景下是不可接受的。
第五，运维成本要算进 TCO。 自建向量库要算上监控、备份、扩容的人力；托管服务要算上调用量费用。两者在不同规模下优劣会反转。
免费额度怎么起步
先在 APIShare 免费 API 列表 里确认可用的向量与 Embedding 端点，用小数据集把链路跑通再谈扩容。模型清单以 /v1/models 实时返回为准。