本文从实践实用的角度对比分析elasticsearch与milvus到底怎么选型。

你可能会好奇，为什么只做elasticsearch和milvus的对比，向量数据库何其多，具体可见：
https://db-engines.com/en/ranking/vector+dbms

但国内对于向量库的使用，以及从开源RAG产品来看，elasticsearch以及milvus的使用还是比较多。

且不看各种排名，我直接先说我的结论，如果是成熟生产级产品或者应用，elasticsearch > milvus。
如果对于性能要求较高，或者对性能有调优需求，milvus > elasticsearch，不过综合来看，我还是建议使用elasticsearch，特别是8.x/9.x版本，接下来，我从以下几个方面说下我的理由。

稳定性和分布式

架构方面：
https://milvus.io/docs/zh/architecture_overview.md
说实话，从架构方面，我就觉得milvus就逊于elasticsearch，最直观的感受就是太复杂，概念太多，组件太多，模块分层太多，也许你觉得这些描述过于感性，但复杂就会带来脆弱不稳定性以及维护难度大等问题，反观，这确实elasticsearch所擅长的，相对架构会简单很多，也不依赖外部组件，集群算法以及分布式文件存储都是自己多年沉淀出来的最佳实践。

功能与灵活性

作为知识库的存储选型，可能不仅仅局限在向量数据库最擅长的向量操作与检索，毕竟当前知识库构建过程中，最重要的召回阶段，为了提升最终召回的准确率，一般都会采用多路召回，再不济也会提供标准的混合检索实现，除了向量检索，还要求全文检索即相关性检索(当然，有些人也区别向量检索成为稀疏检索)，不管变种怎么变化，核心一般还是围绕BM25，而elasticsearch天然支持全文检索，同时elasticsearch支持的script功能，还提供用户自定义算法，当然elasticsearch本身也提供了直接支持，但一些开箱即用的高级特性，要求商业付费。
具体可参考：
https://www.elastic.co/blog/whats-new-elastic-search-9-0-0
除了这些，最坑的要数milvus不支持schema的修改，即collection一旦确定，不允许调整，尽管支持标量字段的json字段，这些限制，无非是为了提高它号称的高性能，尽管我没有去拔代码证实，可能有失偏颇，但这真的蛮重要，特别是对于一些非结构化数据或者基于之上的平台型产品，字段动态变更真的很重要，而这对于elasticsearch号称的no schema或者schemaless特性，真的手拿把掐。

除了在支持混合检索，动态schema等丰富的功能上，在一些查询或者操作的api上，milvus也有很大的差距。

性能

再聊下性能方面，milvus官方的博客，会拿性能来说事，比如下面这些文章：
https://milvus.io/blog/milvus-26-preview-72-memory-reduction-without-compromising-recall-and-4x-faster-than-elasticsearch.md
我没有大规模去压测两个产品在大文档集下的具体表现，从milvus的一些文章来看，应该是有优势的，特别是2.6预览版在6月份号称会发布，引入了RaBitQ向量化实现，在内存占用、QPS、召回率等表现不错，同时加强了语言(jieba分词，国人参与的项目真贴心)、时间感知(也算知识库方面大家关心的文档时效性问题)，总之看起来还是不错的，值得尝试。

当然elasticsearch9.0的版本，对于bbq向量化的性能优化也是有较大提升的，至于两者整体性能比较，后续会做一些投入。

生态

至于生态方面，elasticsearch肯定也是强于milvus不少，毕竟elasticsearch是一个通用多模型的引擎，而且有先发优势，发展了这么多年，你看milvus在一些管理工具，都很少，attu用起来都别扭。

从上述几个方面来看，对于大部分场景，我建议使用elasticsearch作为RAG类产品底层的向量引擎，如果对于性能很敏感，而且对milvus有较强的掌控力，那么选择milvus，不管如何，milvus作为国人参与度很高的开源产品，同时使用也相对广泛，值得尝试，上述部分内容，可能和个人相对来说更熟悉elasticsearch有关，但不影响总体观点，后续深度使用milvus，会再陆续做相关分享。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】