DotVector 与同类产品对比

本表从多个维度对比 DotVector 与主流向量数据库，帮助用户选择合适的工具。

综合对比表

维度	DotVector	Milvus	pgvector	Qdrant	LanceDB	Chroma
定位	.NET 嵌入式	分布式云原生	PG 向量扩展	高性能单机/集群	嵌入式列存	开发者友好嵌入式
实现语言	C# / .NET	Go + C++	C	Rust	Rust	Python
部署方式	嵌入式 NuGet	独立集群	PostgreSQL 插件	独立进程	嵌入式 / 服务	嵌入式 / 服务
外部依赖	零	Etcd、MinIO、Pulsar	PostgreSQL	无	无	无
.NET 原生集成	✅ 完整原生	❌ 仅客户端	❌ Npgsql 客户端	❌ 仅客户端	❌ 仅客户端	❌ 仅客户端
Native AOT	✅	❌	❌	✅（Rust）	❌	❌
单目录持久化	✅ `.dvec/`（M5）	❌	❌	✅ 目录	✅ 目录	✅ 目录
索引：Flat/Brute	✅（M2）	✅ FLAT	✅	✅	✅	✅
索引：HNSW	✅（M3）	✅	✅（v0.5+）	✅	✅	✅
索引：IVF	✅（M4）	✅ IVF_FLAT	✅（v0.5+）	❌	✅	❌
量化 PQ/SQ	✅ SQ8 / PQ / OPQ / RQ（M13）	✅ IVF_PQ、SQ8	❌	✅ SQ	✅ PQ	❌
DiskANN	✅ Vamana（M12）	✅ DISKANN	❌	❌	✅（实验）	❌
标量过滤	✅（M6）	✅	✅ SQL WHERE	✅ Payload	✅	有限
多向量字段	计划	✅	❌	✅	✅	❌
持久化方式	单目录 mmap（M5）`.dvec/`	分布式对象存储	PG heap	本地目录	Lance 列存	SQLite / 内存
WAL/崩溃恢复	✅（M5）	✅	✅ PG WAL	✅	✅	❌
水平扩展	❌ 单机	✅ 分片 + 副本	有限（PG 分区）	✅（Qdrant Cloud）	有限	❌
VectorData 集成	✅ 原生（M7）	适配层	适配层	适配层	适配层	适配层
Semantic Kernel	✅ 直接支持	需插件	需插件	需插件	需插件	需插件
gRPC API	❌（服务端模式进入 SonnetDB）	✅	❌	✅	❌	❌
容器镜像大小	不发布服务端镜像	~500 MB	~500 MB（含 PG）	~50 MB	~100 MB	~200 MB
启动时间	进程内加载；CLI NativeAOT 毫秒级	~30 s（集群）	~5 s（PG）	~1 s	< 100 ms	< 500 ms
许可证	MIT	Apache 2.0	PostgreSQL	Apache 2.0	Apache 2.0	Apache 2.0

使用场景对照

场景 1：.NET 桌面/移动应用本地 AI 助手

场景 2：ASP.NET Core + Semantic Kernel RAG Pipeline

推荐：✅ DotVector（嵌入式场景）或 ❓ Qdrant（高并发生产）

原因：

DotVector M7 实现 IVectorStore，与 SK 天然集成
小中型应用（< 500 万向量）DotVector 足够
高并发、大规模（> 5000 万向量）考虑 Qdrant

场景 3：已有 PostgreSQL 基础设施

场景 4：Python/Jupyter 快速原型

推荐：❓ Chroma / LanceDB（Python 优先生态）或 ✅ DotVector Python Connector（需要复用 DotVector 嵌入式引擎时）

原因：DotVector 已提供 Python ctypes Native 客户端基础，但 Python 生态的一站式体验仍在 M16 多语言快速开始中继续补强。

场景 5：十亿级向量生产系统

推荐：❓ Milvus（分布式）或 Qdrant（单机超大规模）

原因：DotVector 定位嵌入式/单机服务，不支持水平扩展；M15 才考虑分布式分片。

场景 6：Kubernetes Sidecar / Serverless Function

推荐：✅ DotVector CLI / 嵌入式客户端（NativeAOT）；需要服务端时使用 SonnetDB

原因：

CLI NativeAOT 单文件适合管理命令和冷启动客户端。
业务进程内嵌入式使用 DotVector.Core 时无需额外数据库进程。
服务端 API、认证、过滤、WAL、Segment 和备份恢复统一由 SonnetDB 承载。

性能预期（M3 HNSW，与 Qdrant 对比）

以下为预期目标（将在 M8 基准测试后填入实测数据）：

指标	DotVector M3	Qdrant	差距
构建速度（10万条/128维）	~ 5s	~ 3s	< 2x
KNN 搜索 P50（1M条/128维）	~ 2ms	~ 1ms	< 2x
KNN 搜索 P99	~ 10ms	~ 5ms	< 2x
Recall@10（M=16, ef=200）	≥ 0.95	≥ 0.97	相当
内存占用（10万条/128维）	~ 60 MB	~ 50 MB	~ 1.2x

注：DotVector 的目标是 .NET 生态内的最优选择，对比 Qdrant（Rust）差距控制在 2x 以内为合理目标。

版本历史

版本	内容
M0（本 PR）	初始对比表（基于目标定位，无实测数据）
M8	填入 BenchmarkDotNet 实测数据