Сравнение векторных баз данных

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

Векторные базы данных эффективно сохраняют и извлекают встраивания высокой размерности — основную инфраструктуру для RAG-систем, семантического поиска и рекомендательных движков. Это руководство сравнивает четыре наиболее популярных опенсорсных варианта.

---

Краткая матрица принятия решений

	ChromaDB	Qdrant	Milvus	Weaviate
Лучше всего для	Прототипирование, локальная разработка	Production RAG	Поиск в масштабе миллиардов	Графы знаний
Развертывание	Встроенная/Серверная	Сервер/Облако	Сервер/Облако	Сервер/Облако
Масштабируемость	Один узел	Многоузловая	Распределённая	Распределённая
Звезды на GitHub	17K+	21K+	31K+	12K+
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	Go	Go

---

Обзор

ChromaDB

ChromaDB — самая простая векторная база данных, созданная для быстрого прототипирования и приложений малого и среднего масштаба. 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=["Machine learning is great", "Deep learning uses neural networks"],
    ids=["doc1", "doc2"]
)

results = collection.query(
    query_texts=["What is AI?"],
    n_results=2
)

Qdrant

Qdrant — векторный поисковый движок, готовый к продакшену, написанный на Rust. Сосредоточен на производительности, фильтрации и простоте эксплуатации.

Философия: Производительность для продакшена 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": "document 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 опенсорсная векторная база данных, созданная для развертываний в масштабе миллиардов. Имеет распределённую архитектуру с поддержкой Kubernetes.

Философия: Огромный масштаб, облачно-нативный.

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)

# Insert data
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 сочетает векторный поиск с графами знаний и GraphQL API. Поддерживает мультимодальный поиск (текст, изображения, аудио) из коробки.

Философия: Богатая схема, мультимодальность, возможности графа знаний.

import weaviate

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

# Define schema with classes
client.schema.create_class({
    "class": "Document",
    "vectorizer": "text2vec-transformers",
    "properties": [
        {"name": "content", "dataType": ["text"]},
        {"name": "category", "dataType": ["string"]}
    ]
})

# Insert with auto-vectorization
client.data_object.create(
    {"content": "Machine learning tutorial", "category": "tech"},
    "Document"
)

# Semantic search
result = client.query.get("Document", ["content", "category"])\
    .with_near_text({"concepts": ["artificial intelligence"]})\
    .with_limit(5)\
    .do()

---

Тесты производительности

ANN Benchmarks (ann-benchmarks.com, 2024)

1M векторов, 768 измерений, косинусное сходство

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

10M векторов (тест масштабируемости)

База данных	QPS	Использование RAM	Примечания
ChromaDB	~800	22ГБ	Испытывает трудности при масштабе
Qdrant	~5,200	18GB	Хорошо с квантизацией
Milvus	~9,800	15ГБ (проиндексировано)	Лучший при масштабе
Weaviate	~3,500	21ГБ	Умеренно

Бенчмарки — это ориентиры, а не догма. Производительность сильно зависит от типа индекса, железа, размерности векторов и паттернов запросов. Всегда тестируйте на собственных данных.

Производительность фильтрации (Filtered ANN search)

Фильтрованный поиск (сходство векторов + фильтр по метаданным) критичен для продакшен RAG:

База данных	Фильтрованный QPS	Предфильтрация	Постфильтрация
ChromaDB	~500	❌	✅
Qdrant	~6,000	✅ (HNSW + индекс полезной нагрузки)	✅
Milvus	~8,000	✅	✅
Weaviate	~3,000	✅ (инвертированный индекс)	✅

Победитель для фильтрованного поиска: Qdrant и Milvus, которые поддерживают настоящую предфильтрацию без деградации производительности при постфильтрации.

---

Сравнение функций

Хранение и индексирование

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

Возможности запросов

Функция	ChromaDB	Qdrant	Milvus	Weaviate
Сходство векторов	✅	✅	✅	✅
Гибридный поиск (BM25+вектор)	❌	✅	✅	✅
Фильтрация по метаданным	✅ (базовая)	✅ (богатая)	✅ (богатая)	✅ (GraphQL)
Поиск по ключевым словам	❌	✅	✅	✅
Поиск по нескольким векторам	❌	✅	✅	✅
Разреженные векторы (SPLADE)	❌	✅	✅	✅
Именованные векторы	❌	✅	✅	✅

Операционные возможности

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

---

ChromaDB: подробный обзор

Сильные стороны

✅ Самая простая настройка — pip install chromadb и всё готово ✅ Встроенный режим — нет отдельного серверного процесса ✅ Авто-встраивание — встроенные модели встраивания ✅ LangChain/LlamaIndex нативная интеграция ✅ Нулевая конфигурация — отлично для прототипирования

Слабые стороны

❌ Ограниченный масштаб — испытывает трудности за пределами 1–2M векторов ❌ Нет распределённого режима — только один узел ❌ Ограниченная фильтрация — нет предфильтрации ❌ Нет квантизации — большее потребление памяти ❌ Медленнее в масштабе — операции на 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

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

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

---

Qdrant: подробный обзор

Сильные стороны

✅ Лучшая фильтрация — настоящий предфильтрованный векторный поиск ✅ Производительность Rust — чрезвычайно быстрый, низкая задержка ✅ Квантование — бинарная/скалярная квантизация снижает память в 4–32× ✅ Разреженные векторы — гибридный поиск плотных и разреженных векторов ✅ Простые операции — один бинарный файл, без зависимостей ✅ Хорошая документация — отличные руководства и примеры

Слабые стороны

❌ Один писатель в бесплатном тарифе (нет распределённых записей) ❌ Меньшая экосистема чем 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

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

Лучше всего для: Продакшен RAG, фильтрованный поиск, 1–100M векторов

---

Milvus: подробный обзор

Сильные стороны

✅ Огромный масштаб — протестирован на 10B+ векторов ✅ Распределённая — облачно-нативная Kubernetes-архитектура ✅ Большинство типов индексов — IVF, HNSW, DiskANN, ScaNN ✅ Ускорение на GPU — построение индексов с GPU ✅ Корпоративные фичи — RBAC, журналы аудита, шифрование ✅ Zilliz Cloud — полностью управляемый вариант

Слабые стороны

❌ Сложное развертывание — требует etcd, MinIO и Pulsar/Kafka ❌ Ресурсоёмкость — рекомендуется минимум 3 узла ❌ Более крутая кривая обучения — больше концепций для понимания ❌ Избыточность для малого масштаба — не используйте для <1M векторов

Развертывание на Clore.ai (Standalone)

# docker-compose.yml для Milvus standalone
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: Производство в крупном масштабе, 100M+ векторов, корпоративные развертывания

---

Weaviate: подробный обзор

Сильные стороны

✅ Мультимодальность — текст, изображения, аудио, видео ✅ Авто-векторизация — встроенные интеграции моделей ✅ GraphQL API — богатые запросы с обходом графа ✅ Модульная система — подключаемые векторизаторы и ридеры ✅ Гибридный поиск — BM25 + вектор из коробки ✅ Генеративный поиск — встроенный RAG с модулем генерации

Слабые стороны

❌ Больший объём памяти — схема-ориентированное хранение требует больше места ❌ Нет gRPC — только GraphQL (медленнее при высоком QPS) ❌ Сложная схема — требует предварительного определения классов ❌ Медленнее при экстремальном масштабе 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 векторизатором на трансформерах
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

Решение на основе масштаба

< 100K векторов    → ChromaDB (встроенная)
100K - 10M        → Qdrant (лучший баланс)
10M - 1B          → Milvus или Qdrant (кластер)
1B+               → Milvus (распределённый)

Решение на основе кейса использования

Сценарий использования	Лучший выбор	Почему
Прототип RAG	ChromaDB	Нулевая настройка, простой API
Production RAG	Qdrant	Быстрая фильтрация, простые операции
Семантический поиск	Qdrant или Milvus	Лучшая производительность
Мультимодальность	Weaviate	Встроенная поддержка изображений/аудио
Граф знаний	Weaviate	Запросы с обходом графа
Для миллиардных объёмов	Milvus	Распределённая архитектура
Гибридный поиск	Qdrant или Weaviate	BM25 + вектор
Корпоративный	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: 1M векторов × 1536 изм. × 4 байта × 1.5 = 9.2 ГБ RAM

С квантизацией (Qdrant бинарная):
1M × 1536 / 8 × 1.5 = 0.29ГБ RAM (сжатие 32×!)

Рекомендуемая конфигурация сервера

Размер датасета	ChromaDB	Qdrant	Milvus	Weaviate
1M векторов	16ГБ RAM	8ГБ RAM	32ГБ RAM	16ГБ RAM
10M векторов	❌	32ГБ RAM	64ГБ RAM	48ГБ RAM
100M векторов	❌	128ГБ+	256ГБ+	256ГБ+

---

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 (standalone)

---

Ценообразование (Self-Hosted на Clore.ai)

Все четыре базы данных бесплатны для самостоятельного хостинга. Стоимость — только аренда серверов Clore.ai:

Пример: RAG-система с 1M векторов
- Qdrant: сервер 8GB RAM ~0.10$/ч
- ChromaDB: сервер 16GB RAM ~0.15$/ч  
- Weaviate: сервер 16GB RAM ~0.15$/ч
- Milvus: сервер 32GB RAM ~0.30$/ч (+ накладные расходы для etcd/minio)

---

Полезные ссылки

• Документация ChromaDB

• Документация Qdrant

• Документация Milvus

• Документация Weaviate

• ANN Benchmarks

• Бенчмарк векторных БД от Qdrant

---

Резюме

Начните с...	Если вам нужно...
ChromaDB	Быстрый прототип, <1M векторов, минимальная настройка
Qdrant	Продакшен RAG, отличная фильтрация, простота эксплуатации
Milvus	Масштаб до миллиардов, корпоративный, распределённая архитектура
Weaviate	Мультимодальность, графы знаний, запросы GraphQL

Для большинства продакшен RAG-приложений на Clore.ai, Qdrant предлагает наилучший баланс производительности, возможностей и простоты эксплуатации. Для крупномасштабных или корпоративных нужд, Milvus является отраслевым стандартом.

---

Рекомендации Clore.ai по GPU

Сценарий использования	Рекомендуемый GPU	Примерная стоимость на Clore.ai
Разработка/Тестирование	RTX 3090 (24GB)	~$0.12/gpu/hr
Продакшн	RTX 4090 (24GB)	~$0.70/gpu/hr
Крупномасштабно	A100 80GB	~$1.20/gpu/hr

💡 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.