请列举你熟悉的向量数据库产品，并阐述在进行向量数据库选型时应考虑哪些关键因素？

回答思路

1. 【回答框架 1】向量数据库用于存储和检索高维向量，支持相似度搜索。常见产品包括Milvus、Weaviate、Qdrant、Pinecone、Chroma以及基于传统数据库的扩展如pgvector、Elasticsearch的向量插件等，各有不同定位。
2. 【回答框架 2】选型需考虑数据规模与性能，包括向量维度、数据量级、查询吞吐和延迟要求，是否支持索引类型如HNSW、IVF等，以及过滤查询和混合检索能力。
3. 【回答框架 3】考虑功能特性，如是否支持实时更新、持久化、高可用、水平扩展、多租户、监控和备份；同时考虑生态整合，如与机器学习框架的兼容性。
4. 【回答框架 4】考虑运维成本，包括硬件资源消耗、部署复杂度（云托管或自托管）以及与现有技术栈的集成难度。最后结合团队熟悉度和成本进行决策。
5. 【关键点 1】向量数据库核心能力是向量索引与相似度检索（如余弦相似度、欧氏距离）。
6. 【关键点 2】常见产品有Milvus、Qdrant、Weaviate、Pinecone、Chroma和pgvector等。
7. 【关键点 3】选型关注性能、功能、生态、运维成本和可扩展性。
8. 【关键点 4】性能要求高时选择专用向量数据库，数据量小或已有PostgreSQL时可选pgvector。
9. 【关键点 5】最终选型需结合具体业务场景进行测试验证。
10. 【易错点 1】忽视索引类型（如HNSW与IVF）对内存、召回率与查询速度的影响。
11. 【易错点 2】只关注基准测试，未考虑实际数据分布和过滤条件对性能的影响。