免费向量数据库 API 完全教程:零成本搭建 RAG 语义检索引擎(2026-10-22 验证)
欢迎来到 apishare.cc 的免费API教程专栏!向量数据库是 RAG(检索增强生成)架构的核心基础设施。无论你是想构建企业知识库问答系统、语义搜索引擎,还是推荐系统的召回层,选对向量数据库都至关重要。本篇《免费向量数据库 API 完全教程》将带你从零开始,用 5 种免费方案搭建生产级语义检索引擎。更多优质免费接口,请查阅我们的 免费API目录,新用户可前往 注册页面 获取专属开发者密钥。
向量数据库(Vector Database)是一种专门用于存储、索引和检索高维向量的数据库系统。在大模型时代,文本、图像、音频等数据都可以通过 Embedding 模型转换为高维向量,向量数据库则负责高效地进行相似度搜索(如余弦相似度、内积、欧氏距离)。本文将介绍 5 种主流的免费向量数据库方案,并附带 Python 代码示例、性能对比和选型决策树。
方案全景对比:5 大免费向量数据库雷达图
为了帮助大家直观地了解这 5 种方案的优劣势,我们从「免费额度、检索速度、索引精度、分布式支持、生态集成、运维难度」6 个维度进行了 1-10 分的量化评分。
注:运维难度评分越高代表越容易运维(即门槛越低)。
方案 1:Chroma(轻量级嵌入式向量数据库)
Chroma 是一款开源的、轻量级向量数据库,专为 AI 开发者设计。它支持嵌入式运行(无需独立服务器),也支持客户端-服务器模式,非常适合快速原型开发和小规模应用。
1.1 特性表格
| 特性 | 详情 |
|---|---|
| 开源协议 | Apache-2.0 |
| 免费额度 | 完全免费(本地运行无限制) |
| 索引算法 | HNSW(Hierarchical Navigable Small World) |
| 支持距离 | 余弦相似度、内积、欧氏距离 |
| 云端免费层 | Chroma Cloud 提供免费 Tier |
| 语言SDK | Python, JavaScript |
1.2 步骤说明
- 安装 Chroma:
pip install chromadb。 - 创建客户端:使用
chromadb.PersistentClient()创建本地持久化客户端。 - 创建集合:使用
client.create_collection()创建向量集合。 - 插入向量:调用
collection.add()插入文档和向量。 - 查询向量:调用
collection.query()进行相似度搜索。
1.3 Python 代码示例
import chromadb
# 1. 创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_db")
# 2. 创建集合
collection = client.create_collection(
name="documents",
metadata={"hnsw:space": "cosine"}
)
# 3. 插入向量
collection.add(
documents=["Python 是一门编程语言", "Java 也是编程语言", "今天天气不错"],
metadatas=[{"category": "tech"}, {"category": "tech"}, {"category": "life"}],
ids=["doc1", "doc2", "doc3"]
)
# 4. 查询
results = collection.query(
query_texts=["编程语言有哪些"],
n_results=2
)
print("最相似文档:", results["documents"])
print("距离:", results["distances"])
1.4 推荐场景
适合个人开发者、快速原型验证、以及数据量在百万级以内的中小型 RAG 应用。Chroma 的嵌入式模式无需额外服务器,pip install 即可上手。如果你需要更多 RAG 相关的免费接口,可以浏览我们的 免费API目录。
方案 2:pgvector(PostgreSQL 向量扩展)
pgvector 是 PostgreSQL 的开源向量相似度搜索扩展。如果你的项目已经在使用 PostgreSQL,pgvector 是最低成本的向量搜索方案——无需引入新的数据库组件。
2.1 特性表格
| 特性 | 详情 |
|---|---|
| 开源协议 | PostgreSQL License |
| 免费额度 | 完全免费(本地运行);Supabase/Neon 提供免费云层 |
| 索引算法 | HNSW, IVFFlat |
| 支持距离 | 余弦、内积、欧氏距离、L1 |
| 云端免费层 | Supabase(500MB)、Neon(3GB)、Aiven |
| 语言SDK | 任何 PostgreSQL 客户端 |
2.2 步骤说明
- 安装扩展:在 PostgreSQL 中执行
CREATE EXTENSION vector;。 - 创建表:创建带有
vector类型列的表。 - 创建索引:使用 HNSW 或 IVFFlat 索引加速查询。
- 插入数据:使用标准 SQL INSERT 插入向量。
- 查询:使用
<=>(余弦)、<->(欧氏)运算符查询。
2.3 Python 代码示例
import psycopg2
import numpy as np
# 1. 连接数据库
conn = psycopg2.connect("dbname=vectordb user=postgres")
cur = conn.cursor()
# 2. 创建扩展和表
cur.execute("CREATE EXTENSION IF NOT EXISTS vector;")
cur.execute("""
CREATE TABLE IF NOT EXISTS documents (
id SERIAL PRIMARY KEY,
content TEXT,
embedding vector(384)
);
""")
# 3. 创建 HNSW 索引
cur.execute("""
CREATE INDEX IF NOT EXISTS idx_documents_embedding
ON documents USING hnsw (embedding vector_cosine_ops);
""")
# 4. 插入向量
vec = np.random.rand(384).tolist()
cur.execute(
"INSERT INTO documents (content, embedding) VALUES (%s, %s);",
("Python 编程", str(vec)
)
conn.commit()
# 5. 相似度搜索
query_vec = np.random.rand(384).tolist()
cur.execute("""
SELECT content, embedding <=> %s AS distance
FROM documents
ORDER BY embedding <=> %s
LIMIT 5;
""", (str(query_vec), str(query_vec)))
for row in cur.fetchall():
print(f"文档: {row[0]}, 距离: {row[1]:.4f}")
2.4 推荐场景
适合已使用 PostgreSQL 的团队,希望在现有数据库上增加向量搜索能力,而不想引入新组件。也适合利用 Supabase、Neon 等免费云数据库服务快速搭建 RAG 后端。
方案 3:Qdrant(高性能开源向量搜索引擎)
Qdrant 是一款用 Rust 编写的高性能向量搜索引擎,支持丰富的过滤条件和负载均衡,提供 Docker 自建和 Qdrant Cloud 两种部署方式。
3.1 特性表格
| 特性 | 详情 |
|---|---|
| 开源协议 | Apache-2.0 |
| 免费额度 | Qdrant Cloud 免费 Tier(1GB 存储) |
| 索引算法 | HNSW |
| 支持距离 | 余弦、内积、欧氏距离 |
| 特色功能 | 向量过滤、分片、副本、量化压缩 |
| 语言SDK | Python, JavaScript, Go, Rust |
3.2 步骤说明
- 启动服务:
docker run -p 6333:6333 qdrant/qdrant或使用 Qdrant Cloud。 - 安装 SDK:
pip install qdrant-client。 - 创建集合:使用
client.create_collection()指定向量维度和距离度量。 - 插入向量:使用
client.upsert()批量插入。 - 搜索:使用
client.search()进行带过滤条件的相似度搜索。
3.3 Python 代码示例
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct, Filter
# 1. 连接 Qdrant
client = QdrantClient(host="localhost", port=6333)
# 2. 创建集合
client.create_collection(
collection_name="documents",
vectors_config=VectorParams(size=384, distance=Distance.COSINE)
)
# 3. 插入向量
client.upsert(
collection_name="documents",
points=[
PointStruct(id=1, vector=[0.1] * 384, payload={"text": "Python教程", "category": "tech"}),
PointStruct(id=2, vector=[0.2] * 384, payload={"text": "Java教程", "category": "tech"}),
PointStruct(id=3, vector=[0.9] * 384, payload={"text": "美食推荐", "category": "life"}),
]
)
# 4. 带过滤条件的搜索
results = client.search(
collection_name="documents",
query_vector=[0.15] * 384,
query_filter=Filter(
must=[{"key": "category", "match": {"value": "tech"}}]
),
limit=2
)
for hit in results:
print(f"文档: {hit.payload['text']}, 分数: {hit.score:.4f}")
3.4 推荐场景
适合需要高性能检索 + 复杂过滤条件的中大型 RAG 应用。Qdrant 的 Rust 内核在百万级向量检索中表现优异,且支持向量量化压缩以节省内存。如需更多 RAG 相关的免费接口,欢迎查阅 免费API目录。
方案 4:Weaviate(AI 原生向量搜索引擎)
Weaviate 是一款 AI 原生的向量搜索引擎,内置多种 Embedding 模型对接模块,可以直接从文本生成向量,无需额外的 Embedding 步骤。
4.1 特性表格
| 特性 | 详情 |
|---|---|
| 开源协议 | BSD-3-Clause |
| 免费额度 | Weaviate Cloud Services(WCS)免费 Tier(14天试用) |
| 索引算法 | HNSW |
| 支持距离 | 余弦、内积、欧氏距离 |
| 特色功能 | 内置 Embedding 模块、混合搜索、BM25 + 向量搜索 |
| 语言SDK | Python, JavaScript, Go, Java |
4.2 步骤说明
- 启动服务:
docker run -p 8080:8080 semitechnologies/weaviate或使用 WCS。 - 安装 SDK:
pip install weaviate-client。 - 创建 Schema:定义 Class 和 Property,配置向量模块。
- 插入数据:使用
client.data_object.create()插入对象。 - 搜索:使用 GraphQL 或
client.query.get()进行语义搜索。
4.3 Python 代码示例
import weaviate
# 1. 连接 Weaviate
client = weaviate.connect_to_local(port=8080)
# 2. 创建集合
from weaviate import classes as wvc
collection = client.collections.create(
name="Document",
vectorizer_config=wvc.config.Configure.Vectorizer.text2vec_transformers(),
properties=[
wvc.config.Property(name="content", data_type=wvc.config.DataType.TEXT),
wvc.config.Property(name="category", data_type=wvc.config.DataType.TEXT),
]
)
# 3. 插入数据
docs = collection.data.insert_many([
{"content": "Python 是一门编程语言", "category": "tech"},
{"content": "今天天气不错适合出游", "category": "life"},
])
# 4. 语义搜索
results = collection.query.near_text(
query="编程",
limit=2,
return_metadata=["distance"]
)
for obj in results.objects:
print(f"文档: {obj.properties['content']}, 距离: {obj.metadata.distance:.4f}")
4.4 推荐场景
适合希望端到端简化 RAG 流程的团队。Weaviate 内置 Embedding 模块,可以直接插入文本由数据库自动生成向量,省去了维护独立 Embedding 服务的成本。
方案 5:Milvus(大规模分布式向量数据库)
Milvus 是由 Zilliz 开源的大规模分布式向量数据库,支持十亿级向量的高效检索,是大型企业 RAG 系统的首选方案。Milvus Lite 提供了轻量级嵌入式版本,适合本地开发。
5.1 特性表格
| 特性 | 详情 |
|---|---|
| 开源协议 | Apache-2.0 |
| 免费额度 | Zilliz Cloud 免费 Tier(5GB);Milvus Lite 本地免费 |
| 索引算法 | HNSW, IVF_FLAT, IVF_SQ8, DiskANN |
| 支持距离 | 余弦、内积、欧氏距离 |
| 特色功能 | 分布式架构、多副本、动态数据管理、标量过滤 |
| 语言SDK | Python, Java, Go, Node.js, C++ |
5.2 步骤说明
- 安装 Milvus Lite:
pip install pymilvus(Lite 模式无需 Docker)。 - 连接数据库:使用
MilvusClient()连接本地文件或远程服务。 - 创建集合:使用
client.create_collection()定义 Schema。 - 插入数据:使用
client.insert()批量插入。 - 搜索:使用
client.search()进行相似度搜索。
5.3 Python 代码示例
from pymilvus import MilvusClient
# 1. 连接 Milvus Lite
client = MilvusClient("./milvus.db")
# 2. 创建集合
client.create_collection(
collection_name="documents",
dimension=384
)
# 3. 插入向量
data = [
{"id": 1, "vector": [0.1] * 384, "text": "Python教程", "category": "tech"},
{"id": 2, "vector": [0.2] * 384, "text": "Java教程", "category": "tech"},
{"id": 3, "vector": [0.9] * 384, "text": "美食推荐", "category": "life"},
]
client.insert(collection_name="documents", data=data)
# 4. 搜索
results = client.search(
collection_name="documents",
data=[[0.15] * 384],
filter='category == "tech"',
limit=2,
output_fields=["text", "category"]
)
for hits in results:
for hit in hits:
print(f"文档: {hit['entity']['text']}, 距离: {hit['distance']:.4f}")
5.4 推荐场景
适合十亿级向量规模的大型企业 RAG 系统、推荐系统召回层。Milvus 的分布式架构支持水平扩展,且 Zilliz Cloud 提供 5GB 免费存储。更多大规模 AI 基础设施教程,欢迎查阅 免费API目录。
选型决策树:哪种向量数据库最适合你?
面对 5 种优秀的方案,请根据以下决策树,快速定位最适合你的方案:
决策树步骤说明:
- 评估数据规模:百万级以内优先考虑 Chroma 或 pgvector;亿级以上选 Milvus。
- 检查现有技术栈:如果已在用 PostgreSQL,pgvector 是最低成本选择。
- 考察过滤需求:如果需要复杂的标量过滤条件(如按类别、时间范围筛选),Qdrant 的过滤引擎最强。
- 考察端到端需求:如果希望数据库自动处理 Embedding(插入文本自动生成向量),选 Weaviate。
性能基准对比
以下是 5 种方案在百万级向量数据集上的典型性能表现(基于公开基准测试数据整理):
| 方案 | 索引类型 | QPS(查询/秒) | 召回率(Recall@10) | 内存占用 | 持久化 |
|---|---|---|---|---|---|
| Chroma | HNSW | ~3,000 | 98% | 中 | 磁盘 |
| pgvector | HNSW | ~2,500 | 97% | 低 | 磁盘 |
| Qdrant | HNSW | ~8,000 | 99% | 中 | 磁盘 |
| Weaviate | HNSW | ~5,000 | 98% | 中 | 磁盘 |
| Milvus | HNSW | ~10,000 | 99% | 高 | 对象存储 |
注:QPS 和召回率受硬件配置、向量维度、数据分布等因素影响,以上数据仅供参考。
结语
向量数据库是 RAG 架构的基石,选对方案能让你的语义检索系统事半功倍。从 Chroma 的极简上手,到 Milvus 的十亿级扩展能力,每一种方案都有其最适合的应用场景。关键原则是:先从小规模原型开始验证,再根据实际性能瓶颈逐步升级。
如果你在搭建 RAG 系统的过程中需要更多接口资源(如免费 Embedding API、免费 LLM API、免费 Reranker 等),请务必收藏 apishare.cc 免费API目录。同时,也欢迎你前往我们的 注册页面 创建账号,获取最新的技术更新与专属开发者福利。我们下期教程再见!