Векторные базы для RAG: Pinecone, Weaviate, pgvector — что выбрать

Выбор векторной базы данных определяет и стоимость инфраструктуры, и то, сколько времени команда потратит на эксплуатацию. Разница между «добавить расширение в уже существующий Postgres» и «поднять отдельный управляемый сервис» — это разница в неделях внедрения.

Три категории решений

1. pgvector — расширение PostgreSQL, добавляющее тип данных vector и операторы для поиска по косинусному расстоянию/L2. Не отдельная БД, а надстройка над той, что у вас, скорее всего, уже есть.
2. Специализированные управляемые сервисы (Pinecone) — SaaS, оптимизированный исключительно под векторный поиск, с автомасштабированием и managed-инфраструктурой.
3. Открытые специализированные БД (Weaviate, Qdrant, Milvus) — self-hosted или managed, с более широким набором функций (гибридный поиск, мультимодальность), чем чистый vector store.

pgvector: минимальный порог входа

CREATE EXTENSION IF NOT EXISTS vector;
 
CREATE TABLE documents (
  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  content TEXT NOT NULL,
  embedding vector(1536),
  source_url TEXT,
  scraped_at TIMESTAMPTZ DEFAULT NOW()
);
 
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

-- Поиск 5 ближайших по смыслу документов
SELECT content, source_url, embedding <=> $1 AS distance
FROM documents
ORDER BY embedding <=> $1
LIMIT 5;

Плюс: используете инфраструктуру, которую уже умеете эксплуатировать (бэкапы, мониторинг, права доступа — всё как у обычного Postgres). Минус: масштабирование поиска ограничено возможностями самого Postgres — при десятках миллионов векторов и высоком QPS может понадобиться шардирование вручную.

Pinecone: zero-ops, но по подписке

from pinecone import Pinecone
 
pc = Pinecone(api_key="...")
index = pc.Index("products")
 
index.upsert(vectors=[
    {"id": "doc-1", "values": embedding, "metadata": {"source_url": url}}
])
 
results = index.query(vector=query_embedding, top_k=5, include_metadata=True)

Полностью управляемый сервис — не нужно думать об индексах, шардировании, репликации. Плата — стоимость растёт с объёмом данных и запросов, и вы зависите от внешнего провайдера как от критической части инфраструктуры.

Weaviate: гибридный поиск из коробки

import weaviate
 
client = weaviate.connect_to_local()
collection = client.collections.get("Documents")
 
results = collection.query.hybrid(
    query="цена доставки в москву",
    alpha=0.5,  # баланс между keyword (0) и vector (1) поиском
    limit=5,
)

Weaviate изначально проектировался с гибридным поиском (комбинация BM25 и векторного) как first-class сценарием — полезно, когда точные термины (артикулы, коды) важны не меньше семантики.

Сравнение

Как выбрать

• MVP, уже есть Postgres, данных до нескольких миллионов чанков → pgvector — не платите за отдельную инфраструктуру, пока она реально не нужна.
• Нет DevOps-ресурсов, готовы платить за zero-ops → Pinecone.
• Нужен гибридный поиск, мультимодальность, self-hosted-контроль → Weaviate или Qdrant.

Заключение

Нет универсально «лучшей» векторной базы — есть baseline (pgvector), который стоит рассмотреть первым, если у вас уже есть Postgres и объём данных не экстремальный, и специализированные решения, которые окупаются при конкретных требованиях: гибридном поиске, огромном масштабе или отсутствии желания эксплуатировать инфраструктуру самостоятельно.