Векторные БД для RAG: как выбрать и посчитать стоимость
Все статьи
AI / LLM 5 мин чтения

Векторные БД для RAG: как выбрать и посчитать стоимость

Как выбрать векторную базу для RAG: Qdrant, pgvector, Milvus, Pinecone. Считаем память, учитываем эмбеддер и reranker, избегаем типичных ошибок.

Как выбрать векторную базу для RAG: Qdrant, pgvector, Milvus, Pinecone. Считаем память, учитываем эмбеддер и reranker, избегаем типичных ошибок.

Коротко

Выбирайте векторную базу для RAG не по рейтингу, а по расчёту: оцените объём данных, рост проекта и бюджет, затем посчитайте память под векторы. Если основная БД у вас PostgreSQL, объёмы умеренные, а чанки короткие, для старта по оценке обзора на Хабре может хватить pgvector. Для больших нагрузок сравнивайте специализированные решения вроде Qdrant, Milvus и Pinecone по латентности, стоимости памяти и поведению под фильтрами.

Как выбирать: от масштаба, а не от бренда

Начинайте с трёх вводных: масштаб проекта, ожидаемый рост и бюджет. Именно эти критерии выделяет mypl.pro: выбор влияет на производительность, масштабируемость и стоимость системы, а цена зависит от решения и объёма использования.

Роль базы в конвейере узкая. По описанию VK Cloud, RAG работает в четыре шага:

  1. Документы режутся на чанки и кодируются эмбеддером в векторы.
  2. Вопрос кодируется тем же эмбеддером.
  3. Векторная база находит top-K ближайших чанков.
  4. Найденное вместе с вопросом уходит в языковую модель.

Отсюда два практических вывода.

Единого лучшего движка нет

VK Cloud пишет, что публичные замеры не дают абсолютных рейтингов вида «топ-1 векторная база 2026». Различия смещаются в латентность, стоимость памяти и поведение под фильтрами. Поэтому тестируйте кандидатов на своих данных и своих фильтрах по метаданным.

Сначала определите, что хранить в векторной базе

Автор обзора на Хабре советует хранить в ней только эмбеддинги, ID и, при необходимости, краткие метаданные. Оригиналы документов остаются в привычной базе. Индекс получается компактнее, а значит, дешевле.

Заменять RAG длинным контекстом не стоит. «Журнал Кода» Яндекс Практикума отмечает: чем больше токенов в контексте, тем хуже модель удерживает внимание на нужном, и качество ответа падает. К тому же миллион токенов на каждый запрос стоит дорого.

Когда хватает PostgreSQL

Для небольшой системы на PostgreSQL отдельная векторная база может быть лишней. Обзор на Хабре рекомендует pgvector, когда:

  • основная БД уже PostgreSQL;
  • векторный поиск – дополнительная функция;
  • объёмы данных умеренные;
  • требования к латентности не экстремальные.

Типичный пример из обзора – небольшие RAG-модули внутри существующей системы. Автор называет ориентиры: меньше 1 млн документов, прототипы или короткие чанки (меньше 1000 условных токенов). Это оценка автора обзора, а не жёсткий порог, так что проверяйте её на своей нагрузке.

Специализированные решения имеет смысл рассматривать, когда нужны возможности, которых нет в «дополнительной функции». Хабр отмечает, что в части систем встроен гибридный поиск «вектор + ключевые слова». Такие решения подходят для RAG и агентов с метаданными, сложными связями и богатой схемой. Рядом в обзорах обычно стоят Qdrant, Milvus и Pinecone. «Журнал Кода» сравнивает Qdrant, pgvector и Pinecone, а также объясняет индексы HNSW.

Если инфраструктура у вас в VK Cloud, Qdrant и Milvus доступны там как готовые развёртывания из Магазина приложений. Это экономит время на старте, но расчёт нагрузки не заменяет.

Как считать стоимость

Считайте стоимость от памяти, а затем добавляйте остальные статьи расходов. VK Cloud формулирует так: начните с расчёта памяти, и база под задачу подберётся почти однозначно. По его словам, это арифметика, а не данные из спецификации.

Шаг 1. Память под векторы

Базовая формула: количество векторов × размерность эмбеддинга × размер одного числа в байтах. Это нижняя граница. Индекс (например, HNSW) и метаданные добавляют объём сверху, поэтому реальный размер измеряйте на пробной загрузке.

def raw_vectors_gb(n_vectors, dim, bytes_per_value):
    """Нижняя оценка: только сами векторы, без индекса и метаданных."""
    return n_vectors * dim * bytes_per_value / 1024**3

# подставьте свои значения: число чанков, размерность
# вашей модели эмбеддингов и размер числа в байтах

Число векторов равно числу чанков, а не документов. Чем мельче нарезка, тем больше векторов и тем дороже память. Размер чанка влияет на бюджет не меньше, чем выбор движка.

Шаг 2. Заложите рост

mypl.pro прямо называет планирование роста критерием выбора. Посчитайте память для текущего объёма и для ожидаемого, а затем проверьте, как выбранное решение масштабируется.

Шаг 3. Добавьте всё, что вне базы

Векторная база – лишь один слой. VK Cloud отдельно выделяет инференс эмбеддера и reranker'а: для них в Cloud Containers есть GPU-ноды с аддоном GPU Operator. Если берёте managed-вариант, сверьте, от чего зависит цена. mypl.pro пишет, что от решения и объёма использования.

Шаг 4. Сравните с альтернативой

Полезно сопоставить RAG с подачей в модель всего контекста. «Журнал Кода» напоминает: миллион токенов на каждый запрос дорог, да и качество при этом падает.

Что дешевле смены движка, и типичные ошибки

Прежде чем мигрировать между базами, попробуйте гибридный поиск и reranking. VK Cloud называет самым дешёвым приростом качества RAG именно их, а не миграцию между движками.

Типичные ошибки:

  • Выбор по рейтингу. Абсолютных рейтингов публичные замеры не дают, поэтому сравнивайте на своих данных и фильтрах.
  • Хранение оригиналов в векторной базе. Достаточно эмбеддингов, ID и кратких метаданных, остальное лежит в обычной БД.
  • Расчёт стоимости только по базе. Эмбеддер и reranker требуют отдельных вычислительных ресурсов, включая GPU.
  • Усложнение на старте. Для небольшой системы на PostgreSQL отдельное решение может быть избыточным.
  • Игнорирование роста. Решение, которое сегодня подходит, может не масштабироваться вместе с проектом.
  • Разные эмбеддеры для документов и вопросов. По схеме конвейера оба кодируются одним эмбеддером.

Порядок действий такой: оцените число чанков и память, определите, нужны ли сложные метаданные и гибридный поиск, и запустите пилот на двух-трёх кандидатах. Сравните латентность и поведение под вашими фильтрами. Затем включайте reranking и только после этого думайте о смене движка.

Вопросы и ответы

С чего начать выбор векторной базы для RAG? С расчёта памяти под векторы и оценки масштаба, роста и бюджета. По материалу VK Cloud, после такого расчёта подходящая база подбирается почти однозначно.

Достаточно ли pgvector для RAG? Для небольших систем часто да. Обзор на Хабре называет его подходящим, когда основная БД – PostgreSQL, объёмы умеренные, а требования к латентности не экстремальные. Ориентир автора – меньше 1 млн документов или короткие чанки.

Что хранить в векторной базе? Эмбеддинги, ID и при необходимости краткие метаданные. По рекомендации автора обзора на Хабре, оригиналы документов лучше оставить в привычной базе.

Что дешевле: сменить движок или улучшить поиск? Улучшить поиск. VK Cloud пишет, что самый дешёвый прирост качества RAG дают гибридный поиск и reranking, а не миграция между движками.

Источники

  1. Векторные базы данных для RAG: сравнение и выбор — mypl.pro
  2. Выбираем векторную БД для AI-агентов и RAG: большой обзор баз данных и поиск смысла / Хабр
  3. Векторные БД для RAG: сравнение Qdrant, pgvector, Milvus и запуск в VK Cloud
  4. Лучшая векторная база данных для готового к ...
  5. Векторные базы данных: зачем они нужны для RAG — журнал Яндекс Практикума «Код»
#RAG#ВЕКТОРНЫЕ БАЗЫ ДАННЫХ#QDRANT#PGVECTOR#MILVUS#EMBEDDINGS
АП
Автор
Антон Правкин, основатель ITOQ

Внедряет ИИ и LLM в процессы компаний, разрабатывает платформы и чат-ботов. LinkedIn

Делаем это для бизнеса

Внедрение ИИ и разработка чат-ботов для бизнеса

Внедряем LLM в процессы компании: AI-агенты, Telegram-боты, автоматизация на n8n, облачные и локальные модели на своей инфраструктуре.

от 60 000 ₽ · от 2 недель

Подробнее об услуге и стоимости
CTA

Похожая задача в вашем бизнесе?

Расскажите коротко — предложим путь от аудита до запуска. Можно без формальностей.

Читать дальше