Сравнение векторных баз данных

Выберите подходящую векторную базу данных для ваших ИИ-приложений на GPU-серверах Clore.ai.

Векторные базы данных эффективно хранят и извлекают высокоразмерные эмбеддинги — ключевая инфраструктура для RAG-систем, семантического поиска и рекомендательных систем. В этом руководстве сравниваются четыре самых популярных open-source варианта.

---

Краткая матрица выбора

	ChromaDB	Qdrant	Milvus	Weaviate
Лучше всего для	Прототипирование, локальная разработка	RAG для продакшена	Поиск на миллиардах векторов	Графы знаний
Развертывание	Встроенный/серверный	Сервер/облако	Сервер/облако	Сервер/облако
Масштабируемость	Одноузловой	Многоузловой	Распределённый	Распределённый
Звёзды GitHub	17K+	21K+	31K+	12 тыс.+
Лицензия	Apache 2.0	Apache 2.0	Apache 2.0	BSD 3-Clause
Управляемое облако	Нет	Да (Qdrant Cloud)	Да (Zilliz)	Да (Weaviate Cloud)
Язык	Python	Rust	Перейти	Перейти

---

Обзор

ChromaDB

ChromaDB — самая простая векторная база данных, созданная для быстрого прототипирования и приложений малого и среднего масштаба. Она может работать полностью в памяти или сохранять данные на диск.

Философия: Нулевая настройка, максимальный комфорт для разработчика.

import chromadb

client = chromadb.PersistentClient(path="/data/chroma")
collection = client.create_collection("my_docs")

collection.add(
    documents=["Машинное обучение — это отлично", "Глубокое обучение использует нейронные сети"],
    ids=["doc1", "doc2"]
)

results = collection.query(
    query_texts=["Что такое ИИ?"],
    n_results=2
)

Qdrant

Qdrant — это производительный векторный поисковый движок, написанный на Rust. Он делает ставку на производительность, фильтрацию и простоту эксплуатации.

Философия: Производительность промышленного уровня без операционной сложности.

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = QdrantClient("localhost", port=6333)
client.create_collection(
    collection_name="my_collection",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE)
)

client.upsert(
    collection_name="my_collection",
    points=[
        PointStruct(id=1, vector=[...], payload={"text": "документ 1"}),
    ]
)

results = client.search(
    collection_name="my_collection",
    query_vector=[...],
    limit=10,
    query_filter=Filter(must=[FieldCondition(key="category", match=MatchValue(value="tech"))])
)

Milvus

Milvus — самая масштабируемая open-source векторная база данных, предназначенная для развёртываний на миллиардах векторов. Она имеет распределённую архитектуру с поддержкой Kubernetes.

Философия: Масштабирование до огромных объёмов, cloud-native.

from pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType

connections.connect("default", host="localhost", port=19530)

fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536),
    FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=65535),
]
schema = CollectionSchema(fields)
collection = Collection("my_collection", schema)

# Вставка данных
collection.insert([[1, 2], embeddings, texts])
collection.create_index("embedding", {"metric_type": "COSINE", "index_type": "IVF_FLAT"})
collection.load()

results = collection.search(
    data=[query_embedding],
    anns_field="embedding",
    param={"metric_type": "COSINE", "nprobe": 10},
    limit=10
)

Weaviate

Weaviate объединяет векторный поиск с графами знаний и GraphQL API. Он поддерживает мультимодальный поиск (текст, изображения, аудио) из коробки.

Философия: Богатая схема, мультимодальность, возможности графа знаний.

import weaviate

client = weaviate.Client("http://localhost:8080")

# Определите схему с классами
client.schema.create_class({
    "class": "Document",
    "vectorizer": "text2vec-transformers",
    "properties": [
        {"name": "content", "dataType": ["text"]},
        {"name": "category", "dataType": ["string"]}
    ]
})

# Вставка с авто-векторизацией
client.data_object.create(
    {"content": "Учебник по машинному обучению", "category": "tech"},
    "Document"
)

# Семантический поиск
result = client.query.get("Document", ["content", "category"])\
    .with_near_text({"concepts": ["искусственный интеллект"]})\
    .with_limit(5)\
    .do()

---

Тесты производительности

Бенчмарки ANN (ann-benchmarks.com, 2024)

1 млн векторов, 768 измерений, косинусное сходство

База данных	QPS (1 поток)	Полнота@10	Время построения	Размер индекса
ChromaDB (HNSW)	~2,000	98.5%	45с	2.1GB
Qdrant (HNSW)	~8,500	99.1%	32с	1.8GB
Milvus (HNSW)	~12,000	98.9%	28с	1.9GB
Weaviate (HNSW)	~6,000	98.7%	38с	2.0GB

10 млн векторов (тест на масштабируемость)

База данных	QPS	Использование RAM	Примечания
ChromaDB	~800	22GB	Плохо справляется на больших масштабах
Qdrant	~5,200	18GB	Хорошо с квантизацией
Milvus	~9,800	15GB (индексировано)	Лучше всего на больших масштабах
Weaviate	~3,500	21GB	Умеренная

Бенчмарки — это ориентиры, а не истина в последней инстанции. Производительность сильно зависит от типа индекса, оборудования, размерности векторов и шаблонов запросов. Всегда проводите бенчмарки на своих данных.

Производительность фильтрации (фильтрованный ANN-поиск)

Фильтрованный поиск (векторное сходство + фильтр по метаданным) критически важен для production RAG:

База данных	QPS при фильтрации	Предварительная фильтрация	Постфильтрация
ChromaDB	~500	❌	✅
Qdrant	~6,000	✅ (HNSW + индекс payload)	✅
Milvus	~8,000	✅	✅
Weaviate	~3,000	✅ (инвертированный индекс)	✅

Победитель в фильтрованном поиске: Qdrant и Milvus, которые поддерживают настоящую предварительную фильтрацию без потери производительности из-за постфильтрации.

---

Сравнение возможностей

Хранение и индексирование

Функция	ChromaDB	Qdrant	Milvus	Weaviate
Индекс HNSW	✅	✅	✅	✅
Индекс IVF	❌	❌	✅	❌
DiskANN	❌	✅	✅	❌
Скалярная квантизация	❌	✅	✅	✅
Продуктовая квантизация	❌	✅	✅	❌
Бинарная квантизация	❌	✅	✅	✅
Хранение на диске	✅	✅	✅	✅
Mmap	❌	✅	✅	✅

Возможности запросов

Функция	ChromaDB	Qdrant	Milvus	Weaviate
Векторное сходство	✅	✅	✅	✅
Гибридный поиск (BM25+вектор)	❌	✅	✅	✅
Фильтрация по метаданным	✅ (базовая)	✅ (богатая)	✅ (богатая)	✅ (GraphQL)
Поиск по ключевым словам	❌	✅	✅	✅
Многовекторный поиск	❌	✅	✅	✅
Разреженные векторы (SPLADE)	❌	✅	✅	✅
Именованные векторы	❌	✅	✅	✅

Операционные возможности

Функция	ChromaDB	Qdrant	Milvus	Weaviate
REST API	✅	✅	✅	✅
gRPC API	❌	✅	✅	❌
API GraphQL	❌	❌	❌	✅
Аутентификация	Базовый	✅	✅	✅
RBAC	❌	✅	✅	✅
Горизонтальное масштабирование	❌	✅	✅	✅
Поддержка Kubernetes	❌	✅	✅	✅
Снимки/резервное копирование	❌	✅	✅	✅
Мониторинг (Prometheus)	❌	✅	✅	✅

---

ChromaDB: подробный разбор

Сильные стороны

✅ Простейшая настройка — pip install chromadb и всё готово ✅ Встроенный режим — без отдельного серверного процесса ✅ Авто-эмбеддинг — встроенные модели эмбеддингов ✅ LangChain/LlamaIndex нативная интеграция ✅ Нулевая конфигурация — отлично подходит для прототипирования

Слабые стороны

❌ Ограниченный масштаб — плохо справляется свыше 1–2 млн векторов ❌ Нет распределённого режима — только один узел ❌ Ограниченная фильтрация — нет предварительной фильтрации ❌ Нет квантизации — более высокое потребление памяти ❌ Медленная работа на больших масштабах — операции на основе Python

Развертывание на Clore.ai

# Режим клиент/сервер
docker run -d \
  --name chromadb \\
  -p 8000:8000 \\
  -v $(pwd)/chroma-data:/chroma/chroma \\
  chromadb/chroma:latest

# Проверка
curl http://localhost:8000/api/v1/heartbeat

Лучше всего для: Jupyter notebooks, быстрые прототипы RAG, <1 млн векторов

---

Qdrant: подробный разбор

Сильные стороны

✅ Лучшая фильтрация — настоящий векторный поиск с предварительной фильтрацией ✅ Производительность Rust — чрезвычайно быстро, с низкой задержкой ✅ Квантование — бинарная/скалярная квантизация уменьшает память в 4–32 раза ✅ Разреженные векторы — гибридный поиск по плотным и разреженным векторам ✅ Простота эксплуатации — один бинарный файл, без зависимостей ✅ Хорошая документация — отличные руководства и примеры

Слабые стороны

❌ Один пишущий узел в бесплатном тарифе (без распределённой записи) ❌ Меньшая экосистема чем у Milvus ❌ Нет GraphQL — только REST/gRPC

Развертывание на Clore.ai

# Простое развертывание
docker run -d \
  --name qdrant \\
  -p 6333:6333 \\
  -p 6334:6334 \\
  -v $(pwd)/qdrant-storage:/qdrant/storage \\
  qdrant/qdrant:latest

# С аутентификацией
docker run -d \
  --name qdrant \\
  -p 6333:6333 \\
  -e QDRANT__SERVICE__API_KEY=your-secret-key \\
  -v $(pwd)/qdrant-storage:/qdrant/storage \\
  qdrant/qdrant:latest

# Проверка
curl http://localhost:6333/health

Лучше всего для: RAG для промышленного использования, фильтрованный поиск, 1–100 млн векторов

---

Milvus: подробный разбор

Сильные стороны

✅ Огромный масштаб — протестировано на 10+ млрд векторов ✅ Распределённый — cloud-native архитектура Kubernetes ✅ Большинство типов индексов — IVF, HNSW, DiskANN, ScaNN ✅ Ускорение на GPU — построение индексов с использованием GPU ✅ Корпоративные возможности — RBAC, журналы аудита, шифрование ✅ Zilliz Cloud — полностью управляемый вариант

Слабые стороны

❌ Сложное развертывание — требует etcd, MinIO и Pulsar/Kafka ❌ Требует много ресурсов — рекомендуется минимум 3 узла ❌ Более крутая кривая обучения — больше концепций для изучения ❌ Избыточно для небольшого масштаба — не используйте для <1 млн векторов

Развертывание на Clore.ai (автономно)

# docker-compose.yml для автономного Milvus
version: "3.8"
services:
  etcd:
    image: quay.io/coreos/etcd:v3.5.5
    environment:
      - ETCD_AUTO_COMPACTION_MODE=revision
      - ETCD_AUTO_COMPACTION_RETENTION=1000
      - ETCD_QUOTA_BACKEND_BYTES=4294967296
    command: etcd -advertise-client-urls=http://etcd:2379 -listen-client-urls=http://0.0.0.0:2379

  minio:
    image: minio/minio:RELEASE.2023-03-13T19-46-17Z
    environment:
      MINIO_ACCESS_KEY: minioadmin
      MINIO_SECRET_KEY: minioadmin
    command: minio server /minio_data --console-address ":9001"

  milvus:
    image: milvusdb/milvus:v2.4.0
    command: ["milvus", "run", "standalone"]
    environment:
      ETCD_ENDPOINTS: etcd:2379
      MINIO_ADDRESS: minio:9000
    ports:
      - "19530:19530"
      - "9091:9091"
    depends_on:
      - etcd
      - minio

docker compose up -d
# Полный запуск занимает ~60 секунд

Лучше всего для: Крупномасштабное производство, 100+ млн векторов, корпоративные развёртывания

---

Weaviate: подробный разбор

Сильные стороны

✅ Мультимодальный — текст, изображения, аудио, видео ✅ Автовекторизация — встроенные интеграции моделей ✅ API GraphQL — богатые запросы с обходом графа ✅ Система модулей — подключаемые векторизаторы и считыватели ✅ Гибридный поиск — BM25 + вектор из коробки ✅ Генеративный поиск — встроенный RAG с модулем generate

Слабые стороны

❌ Больше памяти — хранилище с учётом схемы занимает больше места ❌ Нет gRPC — только GraphQL (медленнее при высоком QPS) ❌ Сложная схема — требует предварительного определения класса ❌ Медленнее на экстремальных масштабах чем Milvus

Развертывание на Clore.ai

# Простое развертывание
docker run -d \
  --name weaviate \
  -p 8080:8080 \
  -p 50051:50051 \
  -e AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED=true \
  -e PERSISTENCE_DATA_PATH=/var/lib/weaviate \
  -e DEFAULT_VECTORIZER_MODULE=none \
  -e CLUSTER_HOSTNAME=node1 \
  -v $(pwd)/weaviate-data:/var/lib/weaviate \\
  cr.weaviate.io/semitechnologies/weaviate:1.25.0

# С transformer-векторизатором
docker run -d \
  --name weaviate \
  -p 8080:8080 \
  -e DEFAULT_VECTORIZER_MODULE=text2vec-transformers \\
  -e TRANSFORMERS_INFERENCE_API=http://t2v-transformers:8080 \\
  cr.weaviate.io/semitechnologies/weaviate:1.25.0

Лучше всего для: Мультимодальный поиск, графы знаний, генеративный поиск

---

Когда что использовать

Выбор в зависимости от масштаба

< 100K vectors    → ChromaDB (встроенный)
100K - 10M        → Qdrant (лучший баланс)
10M - 1B          → Milvus или Qdrant (кластерный)
1B+               → Milvus (распределённый)

Выбор в зависимости от сценария использования

Сценарий использования	Лучший выбор	Почему
Прототип RAG	ChromaDB	Нулевая настройка, простой API
RAG для продакшена	Qdrant	Быстрая фильтрация, простая эксплуатация
Семантический поиск	Qdrant или Milvus	Лучшая производительность
Мультимодальный	Weaviate	Встроенная поддержка изображений и аудио
Граф знаний	Weaviate	Запросы с обходом графа
Масштаб миллиардов	Milvus	Распределённая архитектура
Гибридный поиск	Qdrant или Weaviate	BM25 + вектор
Корпоративный уровень	Milvus или Weaviate	RBAC, журналы аудита

---

Требования к памяти на Clore.ai

Формула оценки RAM

Необходимая RAM ≈ (векторы × размерность × 4 байта) × 1.5 (накладные расходы)

Пример: 1 млн векторов × 1536 измерений × 4 байта × 1.5 = 9.2 ГБ RAM

С квантизацией (бинарный Qdrant):
1 млн × 1536 / 8 × 1.5 = 0.29 ГБ RAM (сжатие в 32 раза!)

Рекомендуемые характеристики сервера

Размер набора данных	ChromaDB	Qdrant	Milvus	Weaviate
1 млн векторов	16GB RAM	8GB RAM	32GB RAM	16GB RAM
10 млн векторов	❌	32GB RAM	64GB RAM	48GB RAM
100 млн векторов	❌	128GB+	256GB+	256GB+

---

Быстрое сравнение: время настройки Docker

База данных	docker run до готовности	Зависимости
ChromaDB	~5 секунд	Нет
Qdrant	~3 секунды	Нет
Milvus	~60 секунд	etcd + MinIO
Weaviate	~15 секунд	Нет (отдельно)

---

Цены (самостоятельное размещение на Clore.ai)

Все четыре базы данных бесплатны для самостоятельного размещения. Стоимость — только аренда сервера Clore.ai:

Пример: RAG-система на 1 млн векторов
- Qdrant: сервер с 8 ГБ ОЗУ, ~$0.10/ч
- ChromaDB: сервер с 16 ГБ ОЗУ, ~$0.15/ч  
- Weaviate: сервер с 16 ГБ ОЗУ, ~$0.15/ч
- Milvus: сервер с 32 ГБ ОЗУ, ~$0.30/ч (+ накладные расходы на etcd/minio)

---

Полезные ссылки

• Документация ChromaDB

• Документация Qdrant

• Документация Milvus

• Документация Weaviate

• Бенчмарки ANN

• Бенчмарк векторных БД от Qdrant

---

Итог

Начните с...	Если вам нужно...
ChromaDB	Быстрый прототип, <1 млн векторов, минимальная настройка
Qdrant	RAG в продакшене, отличная фильтрация, простота эксплуатации
Milvus	Масштаб на миллиарды, корпоративный уровень, распределённая архитектура
Weaviate	Мультимодальность, графы знаний, запросы GraphQL

Для большинства production-RAG приложений на Clore.ai, Qdrant обеспечивает лучший баланс производительности, функций и простоты эксплуатации. Для задач крупного масштаба или корпоративных нужд, Milvus является отраслевым стандартом.

---

Рекомендации по GPU для Clore.ai

Сценарий использования	Рекомендуемый GPU	Оценочная стоимость на Clore.ai
Разработка/тестирование	RTX 3090 (24 ГБ)	$0.07–0.21/гпу/ч
Продакшен	RTX 4090 (24 ГБ)	$0.14–0.42/гпу/ч
Масштабирование	A100 80 ГБ	голое железо

💡 Все примеры в этом руководстве можно развернуть на Clore.ai GPU-серверах. Просматривайте доступные GPU и арендуйте по часам — без обязательств, с полным root-доступом.