向量库排行：第一名是个套壳，真库只有六个

向量库排行：第一名是个套壳，真库只有六个

01

Top 9：谁是库，谁是套壳

▲ 向量检索相关项目星数 Top 9 · GitHub 搜索口径 2026-10-22

第一名 serviette，5.9 万星，是套壳。pathwaycom/serviette 的定位是「no-code RAG 服务器，让答案始终跟你的文档保持同步」，它把向量库当内部实现——仓库介绍里写的是能接 8 种向量数据库。它冲上第一，靠的是接了一堆库，不是自己就是库。

▲ 榜首 serviette：About 自己写明白了——no-code RAG 服务器，接 8 种向量库，MIT

一句话定位：它是给 RAG 用的调度层，不是数据库。

真正的向量库是第二、第三、第五、第六、第七和第八名。milvus-io/milvus 4.6 万星，Go 和 C++ 写的云原生向量数据库，K8s 原生架构；qdrant/qdrant 3.5 万星，Rust 写的，主打高性能和大规模。

weaviate/weaviate 1.7 万星，开源的向量数据库；alibaba/zvec 1.6 万星，是阿里的轻量级进程内向量数据库，C++ 写的。第七名 objectbox-java 和第八名 cozodb/cozo 也是真库。

中间插着的第四名，不是向量库。

第四名自己不做存储，它管的是调度。rocketride-org/rocketride-server 1.8 万星，是带 C++ 核心的 AI 流水线引擎，带 VS Code 扩展、TypeScript 和 Python SDK，还有 Docker 部署。

来源：GitHub Search API，q="vector database" in:name,description，sort=stars，统计日 2026-10-22。口径说明：星数为统计日累计值；「是否为向量数据库」的判断依据各仓库公开 README 自述。

你要不要向量库

装之前先过三个判断，一条都不中，就不用装：

数据量是不是大到搜不过来？百万以内、并发不高，你已经在用的 Postgres 这类数据库就够，别单独养一套向量库；上千万并且要高并发，才轮到 Milvus、Qdrant 这个量级。

数据要不要持久化？要长期存、反复查的，选能落盘的：Qdrant 把数据落在挂载的目录里，milvus-lite 落成一个本地库文件；只是临时算一把，就不用纠结这条。

要不要混合检索？要把向量和关系、图放在一套事务里一起查，这张榜上只有 cozodb/cozo 一个能做到。

02

语言分布：同一语言合并后，Python 最多

▲ Top 9 按主语言分组的星数合计（同一语言已合并，合计等于上面那张 Top 9 榜）

合并同语言之后，这行的主力是 Python。Python 占了三个项目——serviette、rocketride-server、document.ai，合计 8.0 万星；Go 两个 6.3 万，Rust 两个 3.9 万，这三个语言加起来是整张榜的九成，C++ 和 Java 两种加起来约一成。

先看断层，而且断层不在套壳和真库之间。第一名 serviette 5.9 万星到第二名 milvus 只差 1.2 万，比真库内部 milvus 到 weaviate 的 3.0 万还小。六个真向量库加起来 12.3 万星，占了整张榜的六成。

第七、第八名也是真库，只是形态完全不一样。objectbox/objectbox-java 4630 星，仓库介绍写的是「给 Android 和 JVM 用的数据库，轻量、跑在设备上的向量库」，话题标签里也有 vector——它是真库，只是跑在手机和 JVM 里，不联网。

cozodb/cozo 4134 星，Rust 写的，仓库介绍写的是「事务型的关系-图-向量数据库，用 Datalog 查询」，事务、关系、图、向量四种数据一起管，介绍里把它叫作「AI 的海马体」。把关系、图、向量放在一套事务里管，这榜上只有它一个。

那三个 Python 项目，自己都不做向量存储。共同点是往上包了一层：serviette 是 RAG 服务器，rocketride-server 是 AI 流水线引擎，document.ai 是本地知识库方案。

其中 serviette 和 rocketride-server 更像「向量库的调度层」：把一排向量库接进来，再往上提供一层自己的东西，一个给文档问答用，一个给 AI 流水线用，两个加起来 7.7 万星，接近整张榜的四成。

GitHub 搜索这个门卫，只认名字和介绍：工牌对得上就放行，是不是真干这行的，它不管。所以进榜的是三类东西：真向量库、接向量库的流水线引擎、自己不做存储但名字里带关键词的套壳。

分清楚这一点，这张榜才有正确的读法。

九个上榜项目里，自己就是向量库的，只有六个！

选型建议，按你的规模来。数据量在百万以内、并发不高，Postgres 这类你已经在用的数据库就够（Postgres 不在这张榜里，属榜外对照），别单独维护一套向量数据库。先看你手上已经养着哪个数据库，再决定要不要多养一个。

上千万并且要高并发，Milvus 和 Qdrant 二选一：milvus 偏云原生集群，qdrant 偏单机的高性能和大规模。

要在自己的应用里跑、要单进程、要快，zvec 这类进程内方案值得试，它自己就是 C++ 写的，定位就是轻量。要的是图和关系一起查，cozodb/cozo 是 Rust 写的；要在手机和 JVM 里跑，objectbox-java 是榜上唯一的一个。

想直接装一个试手感，从这三个开始。Qdrant 官方 quickstart 给的 Docker 启动命令是：docker run -p 6333:6333 -p 6334:6334 -v "$(pwd)/qdrant_storage:/qdrant/storage:z" qdrant/qdrant，起来之后 REST 接口在 6333，gRPC 在 6334，数据落在挂出来的 qdrant_storage 目录里。

（$(pwd) 是 bash 写法；上游 quickstart 另写明，Windows 上建议改用命名卷，而不是挂本地目录。）上游还提醒一句：默认不开加密也不开鉴权，任何能访问到你这台机器的人，都能连上这个容器。

Milvus 官方给了单文件的本地版。pip install "pymilvus[milvus-lite]" 就能建一个本地向量库；上游 README 给的建库第一动作是 from pymilvus import MilvusClient，再 client = MilvusClient("milvus_demo.db") 建一个本地库文件。

要连远端的 Milvus，就装它的 Python SDK：pip install -U pymilvus。Milvus 本身是集群架构，要自己起一整套，才需要 clone 源码照 README 编译：git clone https://github.com/milvus-io/milvus。

这一步需要两个 key，没有就先别装。没有 key 的不用卡在这：上面 Qdrant 起容器、milvus-lite 建本地库文件，步骤里都没有要 key 的环节，先拿那个试手感。

榜上第一那个 serviette 是 Python 包，pip install serviette 就能装上（上游要求 pip 23.1 以上，装之前先跑一次 python -m pip install -U pip，旧 pip 解析这棵依赖树会卡几个小时）。

它跑在 Pathway 上，要先去 https://pathway.com/framework/get-license 领一个免费授权码，再放进环境变量：macOS / Linux 跑 export PATHWAY_LICENSE_KEY=...，Windows 的 PowerShell 跑 $env:PATHWAY_LICENSE_KEY="..."。

上游给的是四条命令，其中还有一条 OpenAI 的 key 也要放进去：export OPENAI_API_KEY=sk-...，最后跑 serviette demo --embedder openai 才会起服务（起在 http://localhost:8989）。要本地嵌入能力，就装带本地依赖那一版 pip install "serviette[local]" --extra-index-url https://download.pytorch.org/whl/cpu。

这三个仓库就在上面那张榜里，clone 完先读 README，别照着过期的教程装版本~

来源：GitHub Search API 同一批快照（2026-10-22）；主语言为仓库作者标注值；分组只按同一批 Top 9 的主语言合并，合计等于上面那张 Top 9 榜。

作者：六六爸比。

总结：百万以内别养向量库，千万以上再谈 Milvus 和 Qdrant。榜是地图，规模才是选型依据。下期见。