Vector databases — pgvector, Pinecone, Qdrant

TL;DR

Vector DB armazena (chunk_text, embedding, metadata) e responde queries de similaridade rapidamente. Em 2026, ele é commodity — onde a qualidade do RAG vive é em chunking, retrieval, reranking. Default sensato: pgvector se já usa Postgres (o que abrange a maioria); Pinecone para serverless; Qdrant para self-hosted moderno; Weaviate para hybrid built-in. Custo: $0-200/mês para a maioria das aplicações. Performance é raramente o gargalo — com índice HNSW, query <100ms é trivial até 10M vetores.

O que vector DB faz

-- Pseudo-SQL
SELECT chunk, metadata
FROM chunks
ORDER BY embedding <=> query_embedding   -- cosine distance
LIMIT 50;

3 operações essenciais:

1. Insert vetor com metadata
2. Query k-NN por similaridade (cosine, dot product, L2)
3. Filter por metadata (WHERE date > X AND lang = 'pt')

As principais opções (2026)

DB	Tipo	Hosting	Forte em
pgvector	Extension Postgres	Self / RDS / Supabase	Já usa Postgres, transações
Pinecone	SaaS proprietary	Serverless	Escala sem operação
Qdrant	Open source dedicated	Self / Qdrant Cloud	Performance, filters
Weaviate	Open source	Self / Weaviate Cloud	Hybrid search nativo
Milvus	Open source	Self / Zilliz Cloud	Escala bilhões de vetores
ChromaDB	Open source dev-friendly	Self / embedded	Prototipos, simplicidade
Redis Vector	Extension Redis	Self / Redis Cloud	Já usa Redis
Elasticsearch	Search engine	Self / Elastic Cloud	Já usa ES, hybrid
Vespa	Open source enterprise	Self / Vespa Cloud	Yahoo-scale, hybrid
Turbopuffer	Serverless newcomer	Cloud only	Cost/performance ratio

pgvector — o default em 2026

pgvector ganhou em 2024-2025

Razão: a maioria já tem Postgres. Adicionar vector capability como extension é trivial. Transações ACID, joins, filtros relacionais — tudo de graça.

-- Setup
CREATE EXTENSION vector;
 
CREATE TABLE chunks (
    id BIGSERIAL PRIMARY KEY,
    text TEXT,
    embedding VECTOR(1536),
    metadata JSONB,
    doc_id BIGINT REFERENCES documents(id),
    created_at TIMESTAMPTZ
);
 
-- Index HNSW (rápido, aproximado)
CREATE INDEX ON chunks USING hnsw (embedding vector_cosine_ops);
 
-- Query com filter
SELECT text, metadata
FROM chunks
WHERE doc_id IN (1,2,3) AND created_at > '2026-01-01'
ORDER BY embedding <=> $1
LIMIT 50;

Vantagens:

• Filtros relacionais robustos (WHERE complex AND ...)
• Transações
• Joins com tabelas existentes
• Backup/restore familiar
• Free no Postgres existing

Limitações:

• Performance cai >10M vetores (caso raro)
• Sem features fancy (multi-tenancy, gestão de índices automática)

Pinecone — para serverless

from pinecone import Pinecone
 
pc = Pinecone(api_key="...")
index = pc.Index("rag-prod")
 
# Insert
index.upsert([
    ("chunk_1", embedding, {"doc_id": 1, "text": "..."}),
])
 
# Query
results = index.query(
    vector=query_embedding,
    top_k=50,
    filter={"doc_date": {"$gt": "2026-01-01"}}
)

Vantagens:

• Zero operação
• Escala transparente (bilhões de vetores)
• Multi-tenancy nativo
• Pricing serverless (paga pelo uso)

Limitações:

• Lock-in
• Custo cresce com escala
• Sem joins relacionais
• Latência cross-region

Qdrant — open source moderno

from qdrant_client import QdrantClient
client = QdrantClient(url="http://localhost:6333")
 
client.upsert(
    collection_name="rag",
    points=[{
        "id": 1,
        "vector": embedding,
        "payload": {"doc_id": 1, "text": "..."}
    }]
)
 
results = client.search(
    collection_name="rag",
    query_vector=query_embedding,
    limit=50,
    query_filter={
        "must": [{"key": "doc_date", "range": {"gt": "2026-01-01"}}]
    }
)

Vantagens:

• Performance excelente
• Filters poderosos
• Open source maduro
• Pode rodar embedded ou distribuído

Limitações:

• Operação adicional (não usa Postgres existing)
• Backup/restore separado

Weaviate — hybrid built-in

Forte em hybrid search nativo (vector + BM25 sem precisar configurar).

client.query.get("Chunk", ["text"]).with_hybrid(
    query="user question",
    alpha=0.5  # 0=BM25, 1=vector
).do()

Vantagem: hybrid out-of-the-box, sem stack adicional.

Heurística de escolha

graph TD
    A["Já usa Postgres?"] -->|sim| B["pgvector<br/>(default)"]
    A -->|não| C{"Quer serverless?"}
    C -->|sim| D["Pinecone<br/>ou Turbopuffer"]
    C -->|não| E{"Hybrid built-in<br/>importante?"}
    E -->|sim| F["Weaviate"]
    E -->|não| G["Qdrant<br/>(open source moderno)"]

Index types

Index	Trade-off
HNSW	Padrão moderno: fast query, mais memória
IVF	Menos memória, query mais lenta
Flat	Exato (brute force), pequena escala
PQ / SQ	Quantization para reduzir memória

Default: HNSW com parâmetros padrão. Tune apenas se houver problema concreto.

Performance típica

Escala	Latência query	DB
100K vetores	<30ms	Qualquer
1M vetores	<100ms	pgvector com HNSW
10M vetores	<200ms	Qdrant, Pinecone
100M+ vetores	<500ms	Pinecone serverless, Milvus

Custo típico (1M chunks, 1M queries/mês)

DB	Hosting	Custo/mês
pgvector (Supabase)	Managed Postgres	$25-100
pgvector (RDS)	AWS RDS	$50-200
Pinecone serverless	SaaS	$50-300
Qdrant Cloud	SaaS	$50-200
Weaviate Cloud	SaaS	$50-300
Self-hosted Qdrant	EC2/GCE	$30-100 + ops

Anti-patterns

• Vector DB sem metadata indexada — não consegue filtrar com performance
• Index sem HNSW — query lenta sem necessidade
• Trocar de DB sem re-indexar — formato de embedding pode mudar
• Pinecone para 10K vetores — overengineered, pgvector basta
• pgvector para 100M vetores em uma tabela — split por shard ou troque
• Sem backup do DB — re-indexar 1M chunks custa horas e $$$

Métricas

Métrica	Alvo
Latência p95 (search)	<100ms
Throughput insert	>1000/s
Recall@10	>95% (vs brute force)
Storage por vetor (1536 dims)	~6KB

Veja também

• 02 - Anatomia do pipeline RAG
• 03 - Embeddings — representação semântica
• 06 - Retrieval — hybrid search, BM25, query rewriting
• 15 - Mem0 — vetorial + grafo
• 16 - Zep e Graphiti — knowledge graph temporal

Referências

• pgvector — github.com/pgvector/pgvector
• Pinecone — pinecone.io/docs (2026)
• Qdrant — qdrant.tech/documentation (2026)
• Weaviate — weaviate.io/developers (2026)
• MTEB Benchmark — vetor DB comparison
• ann-benchmarks.com — performance comparativo