NEUPublication of @aurabase/aurabase-js v0.7.5 NPM Packages & Rust Crate v0.1.2Siehe Changelog →

Native KI · 9 Min. Lesezeit

pgvector vs Pinecone, Weaviate, Qdrant im Jahr 2026

Affane Daylami · Fondateur · 9. April 2026

Zurück zum Blog

pgvector ist keine Vektordatenbank: Es handelt sich um eine Postgres-Erweiterung, die einer vorhandenen relationalen Datenbank einen Vektorspaltentyp und Ähnlichkeitsoperatoren hinzufügt. Pinecone, Weaviate und Qdrant sind drei Stützpunkte für die Vektorforschung mit drei unterschiedlichen Einsatzmodellen. Die eigentliche Frage ist also nicht „welches besser ist“, sondern „sollten Ihre Vektoren neben Ihren relationalen Daten oder in einem separaten System leben“.

Diese Seite wurde automatisch übersetzt. Maßgeblich ist die englische Version.

In diesem Artikel werden die vier Optionen dahingehend verglichen, was im Laufe der Zeit stabil bleibt: das Bereitstellungsmodell, der Ort der Daten und die Suchfunktionen. Wir veröffentlichen keine Preis- oder Latenz-Benchmarks für Pinecone, Weaviate oder Qdrant. Diese Zahlen ändern sich zu schnell, um ohne datierte Überprüfung zuverlässig zu sein, und die für diesen Artikel durchgeführte Recherche deckte sie nicht ab. Eine Übersicht über die Aurabase native AI-Säule (NL2SQL, RAG, Agents) finden Sie auf unserer Seite Native AI.

Das Wesentliche
  • pgvector ist eine Postgres-Erweiterung, keine separate Basis: Ihre Vektoren bleiben mit Ihren relationalen Daten verbunden, wobei RLS direkt auf Vektorspalten anwendbar ist.
  • Pinecone ist ein proprietärer, geschlossener Cloud-Dienst ohne öffentliche Selbsthosting-Option. Keine Infrastrukturoperationen, dafür aber völlige Bindung an das Datenformat.
  • Weaviate und Qdrant sind zwei dedizierte Open-Source-Vektordatenbanken, die selbst gehostet oder in einer verwalteten Cloud verfügbar sind. Weaviate hebt hybride BM25 + native Vektorforschung hervor; Qdrant hebt Nutzlastfilterung und Speicherquantifizierung hervor.
  • Aurabase bettet pgvector 0.8.6 in das Postgres-Image jedes Projekts ein und verwendet es für seine native RAG-Funktionalität (Aufnahme, Einbettungen, HNSW-Index), die am 23. August 2026 im Code überprüft wurde.
  • Es gibt keinen universellen Gewinner: Die richtige Wahl hängt von der Topologie Ihrer Daten ab, nicht von einer absoluten Leistungsbewertung.
#
Übersicht

Vier Architekturen, kein Vier-Wege-Ranking

pgvector, Pinecone, Weaviate und Qdrant erfüllen alle die gleiche Funktion: Sie finden die Vektoren, die einer Abfrage am nächsten kommen, mit inkompatiblen Architekturen zwischen ihnen. Die folgende Tabelle vergleicht, was im Laufe der Zeit unverändert bleibt: Bereitstellungsmodell, Datenspeicherort, Suchfunktionen. Preise und genaue Versionsnummern für Pinecone, Weaviate und Qdrant fehlen bewusst: Überprüfen Sie diese auf den offiziellen Websites, bevor Sie eine Kaufentscheidung treffen.

KriteriumpgvectorPineconeWeaviateQdrant
TypPostgres-Erweiterung, keine separate BasisProprietäre Vektordatenbank, geschlossener DienstDedizierte Vektorbasis, Open SourceDedizierte Vektorbasis, Open Source
Wo Ihre Daten lebenIn Postgres mit dem Rest des relationalen SchemasAußerhalb Ihrer Hauptbasis, im Pinecone-IndexAußerhalb Ihrer Hauptbasis, in einer Weaviate-SammlungAußerhalb Ihrer Hauptbasis, in einer Qdrant-Sammlung
BereitstellungEingebettet in einen vorhandenen Postgres-ClusterNur verwaltete Cloud, keine öffentliche Selbsthosting-OptionSelbstgehostete oder verwaltete Cloud (Weaviate Cloud)Selbstgehostete oder verwaltete Cloud (Qdrant Cloud)
Hybride Stichwort- und VektorsucheJa, über Standard-SQL: tsvector, Joins und relationale Filter kombiniert mit VektorFilterung nach Metadaten; keine dokumentierte native BM25-FusionJa, Fusionsvektor + natives BM25, Flaggschiffmerkmal des ProduktsUmfangreiche Filterung nach Nutzlast; standardmäßig keine native BM25-Fusion
Multi-Tenant-IsolierungStandard Postgres RLS, auf Zeilenebene, direkt anwendbar auf VektorspaltenIsolation durch Index oder Namespace auf der DienstseiteIsolierung durch Sammlung auf der ServiceseiteIsolierung durch Sammlung auf der Serviceseite
Fuzzy-SuchindexIVFFlat und HNSW, Ihre WahlProprietärer Index, Implementierungsdetails nicht im Detail veröffentlichtHNSWHNSW, mit optionaler Skalar- oder Binärquantisierung
Topologievergleich: pgvector eingebettet in Postgres im Vergleich zu einer dedizierten Vektorbasis, die von der Anwendung synchronisiert wirdPostgres + pgvectorRelationale TabellenVektorspalten + HNSW-IndexGleiche Transaktion, gleiche RLS-RichtlinienDedizierte VektorbasisIhre Hauptanwendung/BasisPinecone / Weaviate / QdrantSynchronisierung zur Pflege (ETL, Job, Webhook)

Konzeptdiagramm der beiden möglichen Topologien. Es werden keine verschlüsselten Daten verschlüsselt, sondern nur die Bereitstellungsarchitektur.

Im Aurabase-Code überprüftes Element: Die im Postgres-Image jedes Projekts eingebettete pgvector-Version ist 0.8.6. Es wird vom standardmäßigen Upstream-Image CNPG bereitgestellt und nicht speziell von Aurabase hinzugefügt. Diese Tatsache ist im Dockerfile des Repositorys am 23. August 2026 vermerkt. Das offizielle pgvector-Repository bestätigt auch eine maximale Dimension von 16.000 pro Vektor. Dies liegt deutlich über den drei Dimensionsklassen (768, 1536, 3072), die von der nativen RAG-Pipeline von Aurabase verwendet werden. Diese Pipeline ist eine Anwendungserweiterung speziell für Aurabase, die auf pgvector aufbaut.

#
pgvector

Vektorsuche ohne Postgres zu verlassen

pgvector fügt einen Spaltentyp vector(n) und Distanzoperatoren (<=> Kosinus, <-> Euklidisch, <#> Skalarprodukt) zu einer normalen Postgres-Basis hinzu. Ihre Vektoren nutzen dieselbe Tabelle, dieselbe Transaktion und dieselben Einschränkungen wie der Rest Ihres Schemas: Sie müssen nichts mit einem externen System synchronisieren.

Für die Fuzzy-Suche bietet pgvector zwei Indextypen zur Auswahl. IVFFlat unterteilt den Vektorraum durch Clustering in Listen und sucht nur in den Listen, die der Abfrage am nächsten liegen. Der Aufbau ist einfacher, Sie müssen jedoch eine Reihe von Listen auswählen, die an die Datenmenge angepasst sind. HNSW erstellt einen mehrstufigen Nachbargraphen ohne vorherigen Trainingsschritt, allerdings auf Kosten einer speicherintensiveren Konstruktion. Einzelheiten zu den Anpassungsparametern (m, ef_construction) finden Sie in unserem -Leitfaden zum HNSW-Index.

generisches pgvector SQL-Beispiel (ohne internen Aurabase-Code)sql
-- Erweiterungs- und Vektorspalte (Dimension 1536, z. B. text-embedding-3-small)
CREATE EXTENSION IF NOT EXISTS vector;
ALTER TABLE documents ADD COLUMN embedding vector(1536);

-- HNSW-Index für die Fuzzy-Suche
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

-- Vektorsuche verknüpft mit einer relationalen Tabelle, gefiltert nach RLS
SELECT d.id, d.content
FROM documents d
JOIN projects p ON p.id = d.project_id
WHERE p.owner_id = auth.uid()
ORDER BY d.embedding <=> $1
LIMIT 5;

Die letzte Zeile ist der Strukturierungspunkt: Die WHERE p.owner_id = auth.uid()-Klausel gilt für die Vektorsuche genauso wie für jede andere Abfrage. Keine dedizierte Vektordatenbank reproduziert dieses Verhalten nativ, da Ihre RLS-Richtlinien in Postgres und nicht in einem Drittanbieterdienst gespeichert sind. Informationen zum Aufbau einer vollständigen RAG-Pipeline auf dieser Grundlage finden Sie in unserem RAG-Pipeline-Tutorial mit pgvector.

#
Pinecone

Der geschlossene verwaltete Dienst ohne Selbsthosting-Option

Pinecone ist eine Vektorbasis, die ausschließlich als proprietärer Cloud-Dienst angeboten wird. Es gibt keine öffentliche, selbst gehostete Version: Ihre Vektoren befinden sich in der Infrastruktur von Pinecone, nicht in Ihrer. Hierbei handelt es sich um eine vom Herausgeber angenommene architektonische Entscheidung und nicht um eine vorübergehende Einschränkung.

Der Kompromiss ist direkt. Es müssen keine Vektor-Infrastrukturvorgänge verwaltet werden: kein Cluster, der angepasst werden muss, keine Indizes, die selbst ausgeführt werden müssen. Im Gegenzug tauchen oft im Nachhinein zwei versteckte Kosten auf. Erstens eine Synchronisationspipeline zum Erstellen und Verwalten zwischen Ihrer Hauptdatenbank und dem Pinecone-Index mit eigener Konsistenzlogik für den Fall eines Teilfehlers. Als nächstes ein proprietäres Format und eine proprietäre API: Die Migration aus Pinecone bedeutet, dass die gesamten Vektoren erneut exportiert und die Integration an anderer Stelle neu erstellt werden.

Seien Sie in dieser Sitzung vorsichtig mit unbestätigten Zahlen

In diesem Artikel werden keine Preise, Kontingentgrenzen oder spezifischen Implementierungsdetails von Pinecone genannt. Die für diese Seite durchgeführte Recherche umfasste keine erneute Überprüfung dieser Informationen, die sich häufig ändern. Konsultieren Sie die offizielle Pinecone-Dokumentation, bevor Sie Produktionsentscheidungen treffen.

#
Weaviate

Die dedizierte Open-Source-Datenbank mit nativer Hybridsuche

Weaviate ist eine dedizierte, Open-Source- und selbsthostende Vektordatenbank, die auch als verwaltetes Cloud-Angebot (Weaviate Cloud) für diejenigen verfügbar ist, die sie nicht selbst betreiben möchten. Die vom Herausgeber am meisten hervorgehobene Funktion ist die native Hybridsuche. Es führt in einer einzigen Ergebnisklassifizierung einen Vektorähnlichkeitswert und einen Schlüsselwortkorrespondenzwert vom Typ BM25 zusammen.

Konkret wird dadurch vermieden, dass Sie die Fusionslogik zwischen semantischer Suche und Schlüsselwortsuche selbst schreiben müssen, ein Schritt, den andere Ansätze der Anwendung überlassen. Weaviate bietet außerdem ein Modulsystem zur direkten Anbindung externer Einbettungsanbieter zum Zeitpunkt der Aufnahme. Der Kompromiss bleibt derselbe wie bei jeder dedizierten Datenbank: ein zusätzliches System, das Sie betreiben oder bezahlen müssen, um mit Ihrer Hauptdatenquelle synchronisiert zu bleiben.

#
Qdrant

Die dedizierte Datenbank ist in Rust geschrieben, Filterung und Speicherbedarf

Qdrant ist eine dedizierte Vektordatenbank, Open Source und in Rust geschrieben, auch als Selbsthosting oder in einer verwalteten Cloud (Qdrant Cloud) verfügbar. Wie der Kern von Aurabase ist Qdrant in Rust geschrieben: eine gemeinsame Sprachwahl, kein Überlegenheitsargument an sich.

Zwei Punkte tauchen am häufigsten im Feedback zu Qdrant auf. Erstens ein umfassendes Payload-Filtersystem: Es ermöglicht Ihnen, strukturierte Filter (Kategorie, Datum, Status) und Vektorsuche in derselben Abfrage zu kombinieren. Als nächstes Quantisierungsoptionen (skalar oder binär), die den Speicherbedarf eines umfangreichen Index reduzieren sollen. Gleicher Kompromiss wie Weaviate: ein von Ihrer Hauptdatenbank getrenntes System mit eigener Synchronisierungslogik, die verwaltet werden muss.

#
Entscheidung

Wann sollte man pgvector, Pinecone, Weaviate oder Qdrant wählen?

Wählen Sie pgvector, wenn…

  • Ihre Vektoren müssen mit Ihren relationalen Daten (Benutzer, Berechtigungen, Produkte) verbunden bleiben.
  • Ihre RLS-Richtlinien sollten auch für Vektorsuchergebnisse gelten
  • Sie möchten kein System zur Synchronisierung zusätzlich zu Postgres hinzufügen.

Wählen Sie Pinecone, wenn…

  • Sie möchten einen Infrastrukturbetrieb ohne Vektoren
  • Das Einbinden in ein geschlossenes proprietäres Format stellt für Ihr Team kein Problem dar
  • Sie erklären sich damit einverstanden, eine Synchronisierungspipeline zu einem externen Dienst aufzubauen

Wählen Sie Weaviate, wenn…

  • Sie möchten eine hybride Stichwort- und native Vektorsuche, ohne diese selbst neu erstellen zu müssen
  • Ihr Anwendungsfall ist eine eigenständige Suchmaschine und keine Funktionalität, die einer vorhandenen App hinzugefügt wird
  • Sie sind bereit, zusätzlich zu Ihrer Hauptbasis einen dedizierten Dienst zu betreiben oder dafür zu bezahlen

Wählen Sie Qdrant, wenn…

  • Die umfassende Filterung nach Nutzlast ist in Ihrer Größenordnung ein entscheidendes Kriterium
  • Die Speicherquantisierung gilt für einen sehr großen Vektorindex
  • Sie möchten eine Open-Source-Engine, bei der Sie die Kontrolle über den Code behalten
#
Unsere Wahl

Was der Code zeigt: nativ pgvector, ohne separate Erweiterung

Aurabase fügt pgvector nicht hinzu: Die Erweiterung ist bereits im Standard-Image Postgres vorhanden, das von CloudNativePG bereitgestellt wird, der Grundlage für Mandantencluster. Worauf Aurabase aufbaut, ist die Anwendungsfunktionalität: eine Aufnahmepipeline mit Netzwerkfehlermanagement, ein Einbettungsmodul und Vektorsuche nach HNSW-Index. Diese Funktion wird nativ im aura-ai-Dienst bereitgestellt und am 23. August 2026 im Repository-Code überprüft.

Die Aurabase RAG-Pipeline unterstützt drei Klassen von Einbettungsdimensionen (768, 1536, 3072), die den gängigsten Ausgabegrößen aktueller Einbettungsmodelle entsprechen. Jeder Vektor bleibt eine Spalte einer normalen Postgres-Tabelle im Projektschema und unterliegt denselben RLS-Richtlinien wie die übrigen Daten dieses Projekts. Dies ist die gleiche Logik wie im SQL-Beispiel in Abschnitt 02, angewendet auf eine gesamte Pipeline und nicht auf eine isolierte Abfrage.

Achtung

Bis heute sind in diesem Repository keine Latenz-Benchmarks veröffentlicht, die pgvector mit Pinecone, Weaviate oder Qdrant bei einer echten Aurabase-Last vergleichen. Auf unserer Seite Benchmarks finden Sie die für diese Säule verwendete Methodik und in unserem RAG pgvector Leitfaden finden Sie eine vollständige technische Dokumentation.

#
Häufig gestellte Fragen

Was wir am häufigsten gefragt werden

Kann pgvector eine dedizierte Vektorbasis wie Pinecone in der Produktion ersetzen?+
Dies hängt vom Umfang und der Topologie der Daten ab und ist keine absolute Regel. Bei der Vektorsuche, die in eine bestehende Anwendung integriert ist (RAG in Dokumenten, semantische Suche in einem Katalog), vermeidet pgvector die Synchronisierung eines zweiten Systems. In sehr großem Maßstab kann eine dedizierte Datenbank für die reine Vektornutzung ohne die Notwendigkeit relationaler Verknüpfungen von echtem Interesse sein. Siehe das Entscheidungsraster in Abschnitt 06.
Was ist der Unterschied zwischen den Indizes IVFFlat und HNSW in pgvector?+
IVFFlat unterteilt den Vektorraum durch Clustering in Listen und sucht nur in den nächstgelegenen Listen: leichtere Konstruktion, aber eine Anzahl von Listen, die entsprechend dem Volumen kalibriert werden müssen. HNSW erstellt einen mehrstufigen Nachbargraphen ohne vorherigen Trainingsschritt, allerdings auf Kosten einer speicherintensiveren Konstruktion. Einzelheiten zu den Anpassungsparametern finden Sie in unserem Leitfaden zum Index HNSW.
Sind Weaviate und Qdrant im Gegensatz zu Pinecone Open Source?+
Ja, für beide. Weaviate und Qdrant vertreiben eine selbst gehostete Open-Source-Version, ergänzt durch ein verwaltetes Cloud-Angebot (Weaviate Cloud, Qdrant Cloud). Pinecone hingegen bietet keine öffentlichen Selbsthosting-Optionen: Es handelt sich um einen Dienst, auf den nur über seine proprietäre Cloud zugegriffen werden kann.
Ist eine separate Vektorbasis erforderlich, wenn die Anwendung bereits Postgres verwendet?+
Nicht automatisch. Das eigentliche Kriterium ist nicht, ob Postgres Vectoring durchführen kann (dies ist über pgvector möglich). Hiermit legen Sie fest, ob Ihre Vektorsuchergebnisse weiterhin nach Ihren RLS-Richtlinien gefiltert und an Ihre relationalen Daten angehängt bleiben sollen. Einzelheiten zu diesem Mechanismus finden Sie in unserem Leitfaden zur mandantenfähigen Isolierung von RLS unter Aurabase.
#
Zusammenfassend

Es gibt keinen universellen Gewinner zwischen diesen vier Architekturen

pgvector, Pinecone, Weaviate und Qdrant decken nicht den gleichen Bedarf ab. pgvector entfernt die Synchronisierung, indem die Vektoren in Postgres beibehalten werden, allerdings auf Kosten einer weniger spezialisierten Engine als bei einem dedizierten Produkt. Pinecone zieht alle Infrastrukturoperationen zurück, im Gegenzug für eine vollständige proprietäre Bindung. Weaviate fügt standardmäßig eine native Hybridsuche hinzu. Qdrant legt Wert auf umfassende Filterung und einen großen Speicherbedarf. Das entscheidende Kriterium bleibt in allen vier Fällen dasselbe: Wo sollen Ihre Daten liegen und wer soll sie filtern können.

Um auf dieser Grundlage eine vollständige RAG-Pipeline zu erstellen, beschreibt unser RAG-Pipeline-Tutorial mit pgvector die Aufnahme, Einbettungen und Vektorsuche Schritt für Schritt. Eine Übersicht über die native KI-Säule von Aurabase finden Sie auf der Seite Native AI.

BEREIT ZUM EINSATZ?

Ihr Backend in fünf Minuten.

Keine Kreditkarte erforderlich · 500 MB kostenlos · 50.000 MAU