3年前我坚信开源是最好的，3年后我亲手关掉了自己的Milvus集群

2023年，我们团队开始用Milvus开源版搭建向量检索系统。当时的想法很朴素：开源免费、可控、社区活跃。3年过去，我们维护了30多个Kubernetes节点、处理了17次线上故障、升级了8个版本、写了上千行运维脚本。2026年3月，我们做了迁移评估，最终决定迁移到Zilliz Cloud（Milvus的商业版）。

这篇文章不是劝你选商业版，而是把我们的真实经历和数据摊开，让你自己做判断。

开源的"免费"：我们3年实际花了多少钱

表面上看，开源软件的许可证费用是零。但我们的实际成本构成如下：

第一年（2023年）：搭建阶段

  • 3台AWS i4i.2xlarge服务器：$900/月
  • 1名兼职SRE（20%时间）：$2,000/月
  • 学习成本：SRE花了2个月才完全掌握Milvus的运维

第二年（2024年）：稳定运行+规模扩展

  • 服务器扩容到5台：$1,800/月
  • SRE时间增加到40%：$4,000/月
  • 处理了9次线上故障，其中2次导致服务中断超过30分钟

第三年（2025年）：规模化挑战

  • 服务器扩容到8台：$3,200/月
  • 全职SRE：$8,000/月
  • 数据量突破2亿向量，开始出现性能瓶颈，需要架构层面优化

三年总成本：服务器约$82,000 + SRE人力约$168,000 = $250,000（约180万人民币）

如果用Zilliz Cloud Enterprise，三年总成本约$180,000（服务器全包+运维零）。开源比商业版多花了$70,000。

金句：开源软件的"免费"是许可证免费，不是TCO免费。当你把运维人力的成本算进去，开源常常比商业版更贵。

那17次故障教会了我们什么

3年17次故障，分几类：

  1. etcd相关（5次）：集群脑裂、数据损坏、Leader选举失败。etcd是Milvus的阿克琉斯之踵。
  2. 内存不足（4次）：查询高峰期QueryNode OOM，触发了Kubernetes的OOM Killer。
  3. 磁盘满（3次）：Write-Ahead Log没及时清理，磁盘被写满，整个集群只读。
  4. 版本升级（3次）：Milvus从2.2升级到2.3，API不兼容，需要停机迁移。从2.3升级到2.4，索引格式变更，需要重建索引。
  5. 其他（2次）：网络分区、Pulsar消息积压。

最关键的一个教训：出了故障，你只能靠自己。Milvus社区很活跃，但社区支持是"best effort"的。凌晨3点etcd崩了，你发GitHub Issue，得等到美国时间早上才有人回复。而商业版有SLA保障，7x24小时响应。

金句：开源社区的支持是"好心人帮你"，商业版的支持是"合同要求必须帮你"。凌晨3点的故障，你永远希望是后者。

开源的优势：我们为什么还是怀念它

尽管有种种问题，开源版本有一些商业版无法替代的优势：

  1. 完全可控：你可以修改任何代码，定制任何功能。我们曾修改了Milvus的HNSW索引实现，加入了自定义的早停策略，查询延迟降低了15%。
  2. 数据主权：数据完全在你自己的基础设施上，没有第三方访问。这对金融、医疗等合规要求高的场景至关重要。
  3. 无Vendor Lock-in：你可以在任何时候迁移到其他方案，不会被锁定在某个厂商的生态里。
  4. 审计能力：你可以审查每一行代码，确认没有后门或安全隐患。

金句：开源的价值不是"免费"，而是"自由"。如果你需要这种自由，开源是唯一的选择。

我们决定迁移的4个原因

  1. SRE的机会成本：我们的SRE在维护Milvus上花了80%的时间，但向量数据库只是我们基础设施的一部分。如果他能把时间花在更有价值的事情上（如优化模型推理Pipeline），ROI会高得多。
  2. 功能迭代速度：Zilliz Cloud的新功能（如Cardinal、动态Schema、更好的多租户隔离）比我们手动升级Milvus快得多。我们不想再花时间做"基础设施维护"而不是"业务创新"。
  3. 可靠性需求提升：我们的产品从"内部工具"变成了"对外销售的产品"，客户要求99.9%的SLA。自托管很难满足。
  4. 团队规模变化：最初搭建Milvus的SRE离职了，新人接手后发现知识传承断层，运维质量下降。

金句：选择开源还是商业版，取决于你的团队在"基础设施"和"业务"之间的时间分配。如果基础设施占用了你最好的工程师50%以上的时间，你应该考虑商业版。

决策框架：你应该选开源还是商业版？

选开源版的场景：

  • 团队有2名以上有经验的SRE，且向量数据库是他们的核心工作
  • 数据合规要求必须私有化部署
  • 需要深度定制（如修改索引算法、接入自定义存储）
  • 数据量极大（>10亿向量），商业版的成本不可接受
  • 团队有强烈的开源文化，愿意为社区贡献

选商业版的场景：

  • 团队<10人，没有专职SRE
  • 运维向量数据库不是你核心竞争力的组成部分
  • 对SLA有严格要求（99.9%以上）
  • 需要快速上线，不想花时间在基础设施上
  • 数据量在商业版的可接受成本范围内

金句：开源vs商业不是信仰问题，是ROI问题。算清楚你的SRE时薪，乘以维护时间，再和商业版价格比较。答案通常很明显。