pgvector vs Pinecone vs Qdrant vs Weaviate: як обрати vector database для RAG

pgvector доцільний, коли PostgreSQL уже є системою даних, потрібні SQL joins і транзакційна простота важливіша за окремий retrieval control plane. Pinecone скорочує інфраструктурну роботу завдяки керованому serverless-сервісу. Qdrant дає спеціалізований vector engine з виразними filtered, hybrid і multi-stage queries та можливістю self-hosting або cloud. Weaviate поєднує vector, inverted і hybrid search, вбудовану object schema та керовані чи self-hosted deployment options.

Це не рейтинг швидкості. Жоден офіційний опис не доводить перемогу на вашому corpus, filter distribution, concurrency і recall target. Спочатку зафіксуйте workload: кількість vectors, update rate, top-k, filters, tenant distribution, p95 latency, availability, data residency, hybrid requirements і компетенції команди. Потім перевірте два фіналісти однаковим replay-набором.

pgvector є PostgreSQL extension: relational metadata, ACL, transactions, backups і vector search живуть в одному операційному контурі. Він підтримує exact search, HNSW та IVFFlat; official README також описує sparse vectors, iterative scans і поєднання з PostgreSQL full-text search. Ціна простоти — команда сама відповідає за sizing, replicas, vacuum, index builds, query plans і конкуренцію retrieval з основним workload.

Pinecone — managed service з serverless indexes і namespaces; Qdrant — vector-native engine із payload filters, named dense/sparse vectors та Query API; Weaviate — search database з vector та inverted indexes, BM25/hybrid search, modules і tenant shards. Hosted проти self-hosted — не косметична різниця: це рішення про incident ownership, upgrade control, residency, network path, support і exit cost.

• pgvector: мінімум нових систем, SQL і транзакції; максимум PostgreSQL ownership.
• Pinecone: мінімум infrastructure operations; managed-service boundary і usage economics.
• Qdrant: спеціалізовані retrieval primitives та deployment choice; окремий data service.
• Weaviate: integrated vector, keyword і object search; ширша platform surface для експлуатації.
• Правильний фіналіст визначається workload evidence, не списком функцій.

Для RAG filter correctness часто важливіша за raw nearest-neighbor latency. Tenant, document version, language, region і ACL мають звузити допустимий corpus до того, як недоступний chunk потрапить у model context. У pgvector SQL WHERE працює разом із vector ordering, але для approximate indexes filtering може вимагати iterative scans, partial indexes або partitioning. Тому selectivity треба тестувати на реальному розподілі, особливо коли один tenant займає малу частку таблиці.

Qdrant рекомендує payload indexes для полів фільтрації; Weaviate описує pre-filtering і окремі filter strategies для HNSW; Pinecone serverless підтримує metadata filtering, а для multitenancy рекомендує namespaces. Application authorization усе одно лишається обов’язковою: database filter не підтверджує identity самостійно. Негативний eval має доводити, що cross-tenant і revoked-document запити повертають нуль заборонених chunks.

Dense vectors добре знаходять перефразування, а lexical retrieval — identifiers, acronyms, product codes і точні цитати. pgvector можна поєднати з PostgreSQL full-text search і fusion у SQL/application. Qdrant Query API підтримує dense/sparse prefetch, reciprocal rank fusion та multi-stage refinement. Weaviate виконує vector і BM25 search та об’єднує результати fusion strategy. Pinecone також має dense, sparse та hybrid patterns, але конкретний спосіб залежить від типу index і data model.

Не позначайте систему переможцем лише тому, що вона має endpoint `hybrid`. Вимірюйте recall@k до reranking, precision після reranking, exact-term slice, semantic slice, filter-heavy slice, no-answer behavior, latency і cost per grounded answer. Однакові embeddings, corpus snapshot, queries та relevance judgments важливіші за однакові default parameters.

У pgvector tenant isolation можна реалізувати row-level security, tenant columns, partitions або окремі databases, але topology і noisy-neighbor controls належать вашій команді. Pinecone документує namespace-per-tenant для serverless indexes і фізичне розділення namespace data. Qdrant пропонує payload partitioning, user-defined shards і tiered multitenancy. У Weaviate multi-tenant collection виділяє tenant у shard із власним vector index.

Не переносіть vendor terminology прямо в security claim. Перевірте authentication, authorization, encryption, backups, deletion semantics, regional placement, support access і audit export. Окремо змоделюйте багато малих tenants, кілька великих, hot tenant, delete/export, global admin search і нерівномірне зростання. Isolation architecture має відповідати threat model та economics одночасно.

Vector store є похідним індексом, а не єдиною копією знань. Зберігайте canonical document, chunk identity, source version, ACL, embedding model/version і ingestion recipe поза непрозорим index state. Для кожного кандидата перевірте write visibility, delete propagation, backup/restore, replication, rolling upgrade, rate limits, retry semantics та rebuild throughput. Timeout після upsert потребує idempotent record ID і reconciliation, а не сліпого дублювання.

Exit test має бути частиною procurement: експортувати metadata й source IDs, побудувати паралельний target index, shadow-query його, порівняти retrieval slices і переключити traffic за feature flag. Embeddings не слід вважати переносними без contract: dimension, distance metric, normalization і model version мають збігатися. Rollback повертає попередній read path, але dual-write discrepancy спочатку проходить reconciliation.

Створіть corpus, схожий на production: реальні довжини chunks, metadata cardinality, tenant skew, update/delete events і ACL. Query set повинен містити semantic paraphrases, exact identifiers, ambiguous questions, rare filters, no-answer cases та adversarial access attempts. Для кожної системи налаштуйте recall-latency curve, а не порівнюйте defaults. Фіксуйте index/build time, steady-state p50/p95/p99, recall@k, filter recall, freshness lag, failure recovery і operator time.

TCO = service або compute/storage + network + replicas/backups + ingestion/reindex + observability + engineering/on-call + security/compliance + migration reserve. Managed invoice не дорівнює повному TCO, як і cloud VM bill не відображає людську підтримку self-hosted cluster. Рішення має базуватися на cost per verified retrieval або grounded answer у потрібному SLO, без вигаданих цін поза конкретною датою, регіоном і plan.

Почніть із pgvector, якщо команда вже на PostgreSQL, corpus і concurrency помірні, а relational filters/transactions зменшують system count. Додайте Pinecone до shortlist, якщо головна вимога — managed serverless operations і namespace model відповідає tenancy. Перевірте Qdrant, якщо потрібні vector-native hybrid/multi-stage queries, flexible hosting і payload-aware retrieval. Перевірте Weaviate, якщо потрібен integrated object, keyword, vector та hybrid search із tenant-oriented schema.

Pilot: зафіксуйте acceptance thresholds; завантажте один immutable corpus snapshot у два фіналісти; replay-ніть однакові queries та writes; проведіть failure, restore, delete й cross-tenant tests; порахуйте TCO; документуйте missing features і workarounds; оберіть reversible target. Не мігруйте production лише через synthetic leaderboard — перехід виправданий тоді, коли verified outcome перевищує migration та operational risk.

• Gate 1: retrieval quality проходить critical query slices.
• Gate 2: ACL і tenant isolation fail closed.
• Gate 3: freshness, delete, backup і recovery відповідають SLO.
• Gate 4: команда може експлуатувати систему й пояснити витрати.
• Gate 5: export, parallel rebuild, cutover і rollback перевірені.