向量存的是语义，不是文件
向量数据库存储由文本、图片或记录生成的 Embedding，让系统按语义距离找相似内容。
向量数据库与 RAG 存储
2026年常用免费向量数据库云服务对比 (用于RAG)
向量数据库是 RAG、语义搜索、推荐和 AI 知识库背后的检索层。免费层选型不只看原始存储，更要看向量数量、元数据过滤、内存、冷启动和索引重建方式。
快速结论
向量和业务数据需要放在一起时，用 Supabase pgvector。
检索是独立子系统时，用 Qdrant 或 Pinecone。
不要把向量库当作文件的唯一存储。
更新时间: 2026-05-22
向量检索心智模型
RAG 需要检索和源事实
向量库负责找到可能相关的切片，但原始文档和权威元数据仍应放在对象存储或 SQL。
元数据过滤决定可用性
租户 ID、时间、权限、文档类型和语言过滤，经常和相似度一样重要。
索引会消耗内存
HNSW 和混合索引能让查询变快，但免费层很容易撞到内存、存储或冷启动限制。
快速推荐
免费向量数据库对比表
表格用于查看存储、查询、连接和索引约束。做 RAG 时，还要评估切片、元数据过滤、重建任务和引用质量。
| 提供商 | 免费存储 | 月流量 | 规格 / 算力 | 连接限制 | 关键限制 | 操作 |
|---|---|---|---|---|---|---|
Qdrant CloudRust 原生向量数据库 | 4 GB 存储 | 包含 1 GB 专用内存限制 | 基于 Rust 的高速引擎，支持高级 Payload 过滤机制 | 可扩展性较强的 API 连接池 | 1GB 内存为硬上限；接近极限时会明显掉性能 | 访问官网 ↗ |
Pinecone无服务器向量数据库 | 2 GB 存储 | 每月 100 万读单元 / 200 万写单元 | 支持稠密/稀疏混合索引，Starter 每组织最多 5 个索引 | 无状态 AWS 单区域端点 | 每个向量 Metadata 限制为 40KB；空闲层会有明显冷启动查询延迟 | 访问官网 ↗ |
Supabase（pgvector）Postgres 扩展 | 共享 500 MB | 共享项目出站流量额度 | 可直接在业务表与向量数据之间执行 SQL JOIN | 受主 PostgreSQL 连接限制约束 | 存储与数据库共用；重度 HNSW 索引构建会快速消耗主库内存 | 访问官网 ↗ |
Upstash Vector无服务器边缘向量库 | 10,000 个向量 | 每天 10,000 次查询 + 写入 | 原生 REST HTTP API，适合从 Cloudflare Workers 直接调用 | 无连接 REST 执行池 | 10k 向量上限非常低，更适合边缘轻量场景，不适合大规模 RAG | 访问官网 ↗ |
如何选择向量存储
选型前先估算切片数
一千份源文档切片后可能变成几万条向量。免费向量上限消耗速度会比原始文件大小暗示的更快。
把权限放进元数据
多租户应用中，每条向量都应携带租户和权限元数据，避免检索泄漏私有内容。
尽早确定 Embedding 模型
维度、语言质量、成本和模型升级会影响所有存量向量。后续重建 Embedding 是一次批处理工程。
用真实问题测召回
不要只用演示问题判断向量检索。应建立一小组带预期来源切片和引用的评测集。
向量数据库常见陷阱
把全文塞进元数据
元数据字段常有大小限制，也会让索引变重。只有服务商明确适合时，才把切片全文放进去。
忽略删除和重建索引
RAG 系统需要处理文件删除、文档更新、Embedding 迁移和过期切片的生命周期任务。
把向量库当主数据库
向量库优化的是检索，不是事务型业务数据。权威记录应放在 SQL 或文档存储。
不做引用来源
没有来源引用，用户无法验证生成答案，你也很难调试错误召回。
推荐 RAG 架构
小型 SaaS RAG：Supabase + pgvector
租户和权限用 Postgres，Embedding 用 pgvector，源文件放 Storage，导入流程用边缘函数。
文档助手：对象存储 + Qdrant
PDF 和 Markdown 放对象存储，切片写入 Qdrant，导入状态表放 SQL。
边缘检索：Upstash Vector + Workers
在边缘函数旁放小型向量索引，用于路由、短片段、个性化或语义白名单。
相关分类
向量数据库常见问题
向量数据库用来做什么？+
它存储 Embedding，让应用按语义相似度找到文档、商品、工单、图片或切片。常见用途包括 RAG、语义搜索、推荐、去重和聚类。
每个 AI 应用都需要向量数据库吗？+
不需要。如果模型只依赖用户输入和少量结构化数据，SQL 或缓存可能足够。只有需要在大量非结构化文档中检索时，才需要向量检索。
每条向量应该存什么？+
应保存稳定 ID、源文档 ID、切片位置、租户/权限字段、语言、时间戳，以及足以重建引用的元数据。
为什么向量检索结果有时不准？+
切片不佳、元数据过滤弱、Embedding 模型不合适、索引过期和缺少重排，都可能返回看似相关但实际无关的切片。