做 RAG、语义检索或推荐时，要把 Embedding 向量 存起来、按相似度查，就得用向量数据库。Go 里常见的选择有三类：Pgvector（PostgreSQL 扩展）、Milvus、Qdrant。选哪个取决于你是否已有 Postgres、数据量和运维成本。这篇就聊这三者在 Go 里的客户端选型和接入要点。

  • Pgvector：是 PostgreSQL 的一个扩展，向量当一列存。适合本来就用 Postgres 的团队，不想多维护一个组件，数据量在百万级以内、QPS 不是特别夸张时很够用。Go 里用 pgx + pgvector-go 即可。
  • Milvus：独立向量库，支持大规模、分布式，适合向量数据量很大或要单独扩缩容的场景。官方有 milvus-sdk-go，接口偏「集合 + 列式插入 + 建索引再搜」。
  • Qdrant：也是独立向量库，API 设计偏 REST/gRPC，过滤条件（payload filter）和多向量支持比较顺手。Go 用 github.com/qdrant/go-client，文档和示例都比较全。

Pgvector：用 pgx + pgvector-go

前提：Postgres 已安装并启用 pgvector 扩展（CREATE EXTENSION vector）。Go 侧用 pgx 连库，用 pgvector-go 注册向量类型并读写。

核心流程：启用扩展 → 建表（vector(1536) 列）→ 注册向量类型 → 插入/查询（SQL + <->/<=>）。

适用场景：已有 Postgres、数据量不大、希望统一存储管理的团队。

Git 地址：

Milvus：用官方 Go SDK

Milvus 需要先起服务（Docker 或集群），再用 milvus-sdk-go 连。概念是 Collection（类似表）、Field（含主键、向量列等），插入要按列组织数据，查询前要建索引并 LoadCollection。

核心流程：建 Collection → 列式 Insert → 建索引 → LoadCollection → Search。

适用场景：向量量大、要独立扩展的场景。

Git 地址：

Qdrant：用 go-client

Qdrant 提供 go-client，支持 gRPC。概念是 Collection、Point（id + vector + payload），插入用 Upsert，查询用 Search。

核心流程：创建 Collection → Upsert points → Search（可带 payload 过滤）。

适用场景：需要过滤、多向量、接口顺手的项目。

Git 地址：

写在最后

  • Pgvector：Postgres 扩展，Go 用 pgx + pgvector-go，建表带 vector(N) 列，插入/查询用 SQL + <-> / <=>，适合已有 PG、数据量不大的场景。
  • Milvus：独立向量库，Go 用 milvus-sdk-go，流程是建 Collection → 列式 Insert → 建索引 → LoadCollection → Search，适合大规模、需独立扩展。
  • Qdrant：独立向量库，Go 用 go-client，CreateCollection → Upsert points → Search（可带 payload 过滤），适合检索条件多、接口顺手的场景。