Векторные базы данных: Qdrant, pgvector, Milvus — что выбрать

Векторная база — сердце любой RAG-системы. От выбора зависит скорость поиска, стоимость инфраструктуры и сколько часов вы потратите на эксплуатацию. Разбираем четыре самых популярных варианта для российского рынка.

pgvector — когда достаточно PostgreSQL

pgvector — расширение для PostgreSQL, добавляющее тип vector и операции поиска. Если у вас уже есть Postgres и база знаний до 100 000 документов — это самый простой старт. Один сервер, одна база, никаких новых технологий. Но при росте свыше миллиона векторов производительность падает, нужны хаки с индексами (HNSW, IVFFlat).

pgvector — это «походный вариант». Хорош для PoC и небольших продакшенов, но не масштабируется без боли.

Qdrant — наш выбор для продакшена

Qdrant — специализированная векторная база на Rust. Быстрый HNSW-поиск, фильтрация по метаданным (важно для RAG — фильтровать по источнику, дате, разделу), поддерживает on-premise. При 10 млн векторов отвечает за 20–50 мс. У них есть бесплатная open-source версия, которой хватает для большинства задач.

• Скорость: 20–50 мс на 10 млн векторов с фильтрацией
• Фильтрация по payload — критично для RAG (отделить регламенты от договоров)
• On-premise — можно развернуть у себя, важно для 152-ФЗ
• Open-source, без vendor lock-in

Milvus и Pinecone — когда они нужны

Milvus — для гигантских масштабов (миллиарды векторов) и команд с strong DevOps. Сложный в эксплуатации, требует Kubernetes, но на больших объёмах выигрывает. Pinecone — managed-сервис, удобно стартовать, но данные у зарубежного провайдера (не для ПДн) и платно при росте.

Чек-лист выбора

• До 100 000 документов — pgvector, не усложняйте
• 100 000 – 10 млн — Qdrant on-premise
• Миллиарды и есть K8s-команда — Milvus
• Нет DevOps и не важен 152-ФЗ — Pinecone