Zilliz 是一个由 Milvus 创建团队构建的全托管 Vector Lakebase 平台，官方将其定位为“面向 AI 的 Vector Lakebase”。它并非单纯的向量数据库，而是在同一数据源上统一实时向量搜索、湖级规模的数据发现以及 AI 数据操作，覆盖实时服务、迭代式探索与批量分析三类负载，并声称可在千亿级数据规模下分别以合适的成本运行。
用途与定位 Zilliz 面向需要大规模向量检索与 AI 数据基础设施的应用与团队。官方描述其服务对象包括实体搜索、多语言 RAG 系统等场景；资料中引用的客户案例提到其为 Exa 的实体搜索、某医疗相关平台的规模化服务以及多语言 RAG 系统提供实时检索，帮助释放工程资源、让团队聚焦于模型侧推理优化而非基础设施管理。
主要能力
- 全谱系搜索：支持从向量、文本到 JSON 和地理空间等多种数据类型，结合混合检索、过滤与重排序，实现表达能力更强的多模态查询。
- 湖原生存储：为服务与分析提供统一存储，构建于 Vortex 这一开放的新一代格式之上。官方称其随机读取相比 Lance 最多快 10 倍、成本更低，并具备按列格式的灵活性。
- 实时服务：提供分层架构，通过灵活层级优化不同工作负载，覆盖“性能优化方案”“容量优化方案”“分层存储方案”，以在超大数据集上兼顾超高性能、均衡效率与成本效益的扩展。
- 大规模多租户：支持无限命名空间，混合向量、全文与 JSON 搜索，并支持冷热数据服务；支持多区域部署、复制与故障转移，以提供低延迟、高可用的全球访问，支撑 AI 应用快速全球化扩展。
- 按需计算与按需搜索：按查询付费而非按预置计算付费，官方称在大规模场景下可比无服务器方式显著降低成本。
- 无缝回填与模式迭代：可在线回填并演进模式与数据模型，且不影响服务，面向持续的 AI 迭代。
- 将索引带入你的湖：可选访问模式，直接对用户 S3 数据（Iceberg、Lance、Vortex、Parquet）操作，数据保留在用户自己的存储桶中，索引在 Zilliz 上构建与服务，无需复制、无需 ETL。
- CLI：官方提供用于管理、搜索和分析的官方命令行工具，官方描述为“你的 Vector Lakebase，你的终端，完全掌控”。
可靠性与规模 官方称其构建于对大规模向量数据库故障模式的深刻理解之上，经过 8 年、10000 家以上企业的生产测试。规模方面，官方称其设计可处理 1000 亿以上实体与 10000 以上 QPS，并保持一致的延迟与可预测的性能。成本方面，所有数据与索引存放于 S3，结合热缓存与按需计算，官方称可降低成本 90%。
使用方式与可获取性 Zilliz 以全托管形式在 Zilliz Cloud 上提供，官方称“几分钟即可开始”；用户数据保留在自己的 VPC 中，其余部分由 Zilliz 管理。可获得性方面，官方称其覆盖 AWS、Google Cloud 与 Azure 的全球区域。资料还提到可从湖数据、Milvus、Elasticsearch 及其他向量数据库迁移，并可在自有环境中运行 Milvus。资料提及“Zilliz Vector Lakebase Public Preview”公告，说明该产品处于公开预览阶段。具体的安装命令、SDK 示例、定价与计费细节，资料中暂未提供。
适用场景与限制 适用场景包括：需要千亿级向量数据规模的实时检索、多模态与混合检索、多租户 AI 应用、全球化多区域部署、需要在线回填与模式演进的持续迭代系统，以及希望直接在自有对象存储上构建索引、避免数据复制与 ETL 的团队。 限制与暂未提供的信息：官方资料未给出具体价格与计费标准、各云区域完整列表、SLA 细节、配额与限制说明、完整的安装与接入命令、支持的语言 SDK、数据迁移的具体步骤，以及公开预览阶段的功能边界。上述内容需以官方最新文档为准，本文不作推断或补充。
