За последний год векторный поиск перестал быть экзотикой. Поисковая выдача, рекомендации, RAG-сценарии для LLM, semantic-кэш для AI-агентов — всё это требует хранилища, в котором можно быстро искать «похожее» по косинусу или скалярному произведению. Мы прошли через три варианта в реальных проектах и поделимся компромиссами.
pgvector: когда хватает Postgres
Расширение pgvector превращает обычный Postgres в вполне рабочее векторное хранилище. Главный плюс — данные и индекс лежат там же, где остальной транзакционный набор. Не нужно синхронизировать две базы и разруливать рассогласование при сбоях. JOIN с продуктами, фильтрация по tenant_id, классические индексы по дате — всё работает.
Узкое место — производительность HNSW-индекса под высокой записью. Каждый INSERT перестраивает соседей в графе. На ~5М векторов и потоке 500 w/s мы упирались в CPU мастера. Решение: batch-вставка раз в минуту через staging-таблицу, либо переход на ivfflat-индекс — он медленнее на поиске, но дешевле на записи.
Qdrant: когда нужен миллиард векторов
Qdrant написан на Rust, шардируется горизонтально и умеет хранить вектор + метаданные с типизированной фильтрацией. На объёмах 50М+ векторов и сложных фильтрах (категория, регион, цена) он стабильно обгоняет pgvector в 5–10 раз по p99. Поддерживает гибридный поиск (плотный + разрежённый).
Минусы: вторая операционная сущность, отдельные снапшоты, отдельный мониторинг, отдельная политика бэкапов. Если основная база — Postgres, нужна аккуратная архитектура «источник истины → event bus → Qdrant». Без этого получите рассинхрон через несколько недель.
Weaviate: когда поиск — часть продукта
Weaviate ближе к «базе для AI», чем просто хранилищу векторов. Из коробки — модули генерации эмбеддингов, классификация, мультимодальный поиск (текст + картинка). Удобно, если команда не хочет содержать отдельный embedding-сервис.
Цена удобства — выше overhead и менее предсказуемые латентности под нагрузкой. На двух проектах мы в итоге выносили embedding наружу и использовали Weaviate как чистое хранилище — что нивелирует основное преимущество перед Qdrant.
Как выбираем
- До 5–10М векторов, есть Postgres → pgvector. Один меньше движущийся элемент в системе.
- Сотни миллионов и выше, сложные фильтры → Qdrant. Шардирование и стабильная p99 окупают доп. инфраструктуру.
- Хочется быстро запустить семантический поиск без своей embedding-инфраструктуры → Weaviate с модулями.
В каждом случае мы закладываем «миграционный путь»: pgvector → Qdrant через event-лог проще, чем кажется, если эмбеддинги хранятся в Postgres рядом с первоисточником.
