直接回答：按数据规模与团队现状选：百万级以下、已有 PostgreSQL，直接用 pgvector，少维护一个系统，还能做向量与业务字段的混合过滤；千万到亿级、高 QPS，选 Milvus 或 Qdrant 这类专用库（HNSW 索引成熟、支持分片与 GPU 加速）；已有 Elasticsearch 集群且检索以关键词为主向量为辅，用 ES 的 dense_vector 做混合检索最省事。索引算法层面 HNSW 是默认答案，召回率与延迟平衡最好。

展开解析：评估清单：一是标量过滤能力——真实业务几乎都要“向量相似 + 元数据条件”，要确认过滤是在索引内做（pre/post-filtering 策略）而不是查完再滤，否则过滤比例高时召回暴跌；二是更新与删除的开销，HNSW 删除是标记式的，频繁更新的场景要看压实策略；三是运维成本——专用库意味着多一套集群、备份与监控，小团队常被低估；四是多租户隔离方式（collection、partition key、独立索引）。性能测试必须用自己的数据分布与过滤条件跑，厂商 benchmark 不可比。还有一个常被忽略的选项：数据量小且只读的场景，FAISS/磁盘索引 + 普通服务可能比引入向量库更简单可靠。

追问方向：标量过滤的 pre-filter 与 post-filter 各有什么坑？HNSW 的参数怎么调？

（约 470 字）