Warum Vektordatenbanken wichtig sind
Vektordatenbanken bilden das Rückgrat von RAG, semantischer Suche und Empfehlungssystemen. Die Wahl der richtigen beeinflusst Latenz, Skalierbarkeit und Entwicklererfahrung.
Chroma
- Typ: Open-Source, Embedded oder Client-Server.
- Best for: Prototyping, kleine bis mittlere Projekte.
- Vorteile: Einfache API, Python-nativ, läuft im Speicher.
- Nachteile: Begrenzte Produktionsfunktionen im großen Maßstab.
Qdrant
- Typ: Open-Source, Rust-basiert.
- Am besten für: Hochleistungsproduktions-Workloads.
- Vorteile: Schnell, Filterunterstützung, Multi-Tenancy.
- Nachteile: Kleinere Community als Pinecone.
Weaviate
- Typ: Open-Source mit Cloud-Option.
- Am besten für: Semantische Suche mit hybriden Funktionen.
- Vorteile: Eingebaute Vektorisierungsmodule, GraphQL API.
- Nachteile: Höherer Ressourcenverbrauch.
Pinecone
- Typ: Verwalteter Cloud-Dienst.
- Am besten für: Teams, die null Operations-Overhead wollen.
- Vorteile: Vollständig verwaltet, serverlos, automatische Skalierung.
- Nachteile: Vendor-Lock-in, keine selbstgehostete Option.
pgvector
- Typ: PostgreSQL-Erweiterung.
- Am besten für: Teams, die bereits PostgreSQL verwenden.
- Vorteile: Keine neue Infrastruktur, SQL-Ökosystem.
- Nachteile: Langsamer in sehr großem Maßstab.
Entscheidungsmatrix
| Fähigkeit | Chroma | Qdrant | Weaviate | Pinecone | pgvector |
|---|---|---|---|---|---|
| Selbstgehostet | ✓ | ✓ | ✓ | ✗ | ✓ |
| Managed Cloud | ✗ | ✓ | ✓ | ✓ | ✓ |
| Embedded / kein separater Dienst | ✓ | ✗ | ✗ | ✗ | ✓ |
| Native SQL-Schnittstelle | ✗ | ✗ | ✗ | ✗ | ✓ |
Nur Fähigkeiten; aktuelle Funktionen und Grenzen bei jedem Anbieter bestätigen.
Ein Auswahlrahmen
Wähle nach vier Achsen, nicht nach einer Funktionsliste.
Teamgröße und Betriebskapazität. Ein Team aus ein bis drei Engineers sollte die Datenbank als verwaltete Abhängigkeit behandeln. Einen zustandsbehafteten Dienst selbst zu betreiben bedeutet Upgrades, Backups, Shard-Rebalancing und Bereitschaftsdienst. Wenn niemand dafür zuständig ist, sind ein Managed-Angebot oder pgvector in einer bestehenden PostgreSQL-Instanz die risikoärmere Wahl. Größere Plattformteams können Self-Hosting rechtfertigen, wenn sie Hardware, Netzwerkplatzierung oder Datenresidenz kontrollieren müssen.
Workflow und Abfrageform. Wenn das Produkt Metadatenfilter mit Vektorähnlichkeit kombiniert, prüfe das Filterverhalten unter Last im Test, nicht nur in der Dokumentation. Wenn du hybride Suche aus Keywords und Vektoren brauchst, entscheide, ob sie eingebaut oder aus zwei Systemen zusammengesetzt sein soll. Wenn die Ingestion batchorientiert ist, zählt Indexierungsdurchsatz mehr als die Latenz einer einzelnen Abfrage. Wenn du interaktive Suche auslieferst, zählen Tail-Latenz und Recall unter gleichzeitiger Last.
Bereitstellungsmodell. Embedded, Single-Node, verteiltes Self-Hosting und Managed Serverless sind unterschiedliche Produkte mit unterschiedlichen Fehlermodi. Wähle das Modell, das du in den nächsten zwei Jahren tatsächlich betreiben kannst, nicht das, das am schnellsten demonstriert.
Budgetmodell. Vergleiche Kostentreiber statt Listenpreise: managed oder selbst gehostet, pro Abfrage oder pro Kapazität, Speicher und Datenausgang sowie die Engineering-Stunden, die nötig sind, um das System gesund zu halten. Ein Managed Service verschiebt Kosten von Personal zu Rechnung; Self-Hosting verschiebt sie umgekehrt. Preislisten ändern sich, daher solltest du aktuelle Beträge bei jedem Anbieter bestätigen.
Fehlermodi und Migrationskosten
Häufige Fehlermodi sind vorhersehbar. Der Recall bricht nach einem nachlässigen Index-Rebuild oder einer Parameteränderung ein. Gefilterte Abfragen liefern zu wenige Ergebnisse, weil der Filter nach der approximativen Suche angewendet wird. Der Speicher wächst unbegrenzt, weil gelöschte Vektoren nicht kompaktiert werden. Multi-Tenant-Isolation wird spät ergänzt und leckt zwischen Mietern. Ein einzelner Knoten wird genau dann zum Single Point of Failure, wenn der Traffic kommt.
Die Migrationskosten liegen nicht primär im Datenexport. Sie liegen im erneuten Erzeugen von Embeddings, wenn das neue System eine andere Distanzmetrik erwartet, im Neuaufbau von Indizes, im Umschreiben von Abfragecode und Zugriffskontrolle, im Nachjustieren des Recalls und im erneuten Ausführen deines Evaluationssets. Plane eine Phase mit doppeltem Schreiben und einen Rollback-Pfad ein. Vektoren zu exportieren ist einfach; das Verhalten zu reproduzieren, auf das deine Anwendung angewiesen ist, ist der schwierige Teil.
Deployment-Tipps
- Lokal starten: Nutze Chroma im Speicher für die Entwicklung und migriere für den Produktivbetrieb zu Qdrant oder Pinecone.
- Index-Tuning: Für Qdrant nutze den HNSW-Index mit m=16 und ef_construct=200 als Ausgangspunkt. Für pgvector funktioniert IVFFlat mit lists=sqrt(N) und probes=10 gut.
- Monitoring: Verfolge p99-Abfragelatenz, Indexierungsdurchsatz und Speicherverbrauch. Setze Alerts, wenn der Speicher 80 % des verfügbaren RAM überschreitet.
- Backup-Strategie: Qdrant unterstützt Snapshots; Pinecone übernimmt das automatisch; für pgvector nutze pg_dump mit --schema-only für die Indexdefinitionen und eine Kopie für die Daten.
Checkliste für eine Woche
Teste mit deinen eigenen Daten und deinen eigenen Abfragen. Verlasse dich nicht auf Anbieter-Benchmarks.
- Tag 1: Lade einen repräsentativen Ausschnitt (zum Beispiel 10–20 % der Produktionsvektoren) mit echten Metadaten.
- Tag 2: Führe deine zehn wichtigsten Abfragen plus absichtlich mehrdeutige Abfragen aus; notiere Relevanzurteile von Hand.
- Tag 3: Wende die Filter an, die das Produkt tatsächlich nutzt, und bestätige Ergebniszahlen und Recall.
- Tag 4: Fahre gleichzeitige Last auf deinem erwarteten Peak und beobachte p95/p99-Latenz, Speicher und Fehlerrate.
- Tag 5: Töte einen Knoten, starte den Dienst neu und stelle aus einem Backup wieder her; miss die Wiederherstellungszeit.
- Tag 6: Baue einen Index neu auf und miss, wie lange Abfragen sich verschlechtern.
- Tag 7: Schätze die monatlichen Kosten aus deiner eigenen Nutzung und den nötigen Engineering-Stunden pro Monat.
Schreibe Bestehens-/Fehlerschwellen vorher auf. Ein Test ohne vorab definierte Schwellen wird zur Demo.
Wann du keines davon wählen solltest
Verzichte auf eine dedizierte Vektordatenbank, wenn dein Korpus klein genug für exakte Suche in PostgreSQL oder im Speicher ist, wenn du kein Evaluationsset hast und die Retrieval-Qualität nicht messen kannst, oder wenn die Workload eine einmalige Analyse statt eines Online-Dienstes ist. Warte auch, wenn du das erwogene Betriebsmodell nicht besetzen kannst. Eine dedizierte Vektordatenbank fügt deinem Stack ein zustandsbehaftetes System hinzu; wenn das Retrieval-Problem noch nicht der Engpass ist, schafft eine zu frühe Lösung Kosten ohne Nutzerwert.