pgvector vs Pinecone, Weaviate, Qdrant im Jahr 2026

pgvector, Pinecone, Weaviate und Qdrant erfüllen alle die gleiche Funktion: Sie finden die einer Abfrage am nächsten kommenden Vektoren 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.

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 Standard-Upstream-CNPG-Image 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 für Aurabase spezifische Anwendungserweiterung, die auf pgvector aufbaut.

pgvector fügt einer normalen Postgres-Basis einen Spaltentyp vector(n) und Abstandsoperatoren (<=> Kosinus, <-> Euklidisch, <#> Skalarprodukt) 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.

-- 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 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 ist eine Vektorbasis, die ausschließlich als proprietärer Cloud-Dienst angeboten wird. Es gibt keine öffentliche, selbst gehostete Version: Ihre Vektoren leben 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 Aufbau und zur Wartung zwischen Ihrer Hauptdatenbank und dem Pinecone-Index, mit eigener Konsistenzlogik für den Fall eines Teilausfalls. Als nächstes ein proprietäres Format und eine proprietäre API: Die Migration von Pinecone bedeutet, die gesamten Vektoren erneut zu exportieren und die Integration an anderer Stelle neu aufzubauen.

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 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 Argument der Überlegenheit an sich.

Zwei Punkte kommen im Feedback zu Qdrant am häufigsten vor. 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 bei Weaviate: ein von Ihrer Hauptdatenbank getrenntes System mit eigener Synchronisierungslogik, die verwaltet werden muss.

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 Tannenzapfen, 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

Aurabase fügt pgvector nicht hinzu: Die Erweiterung ist bereits im Standard-Postgres-Image 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 Dienst aura-aibereitgestellt 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.

pgvector, Pinecone, Weaviate und Qdrant decken nicht den gleichen Bedarf ab. pgvector entfernt die Synchronisierung, indem die Vektoren in Postgres belassen werden, allerdings auf Kosten einer weniger spezialisierten Engine als bei einem dedizierten Produkt. Pinecone zieht sämtliche Infrastrukturbetriebe zurück und erhält im Gegenzug eine vollständige Eigentumsbindung. Weaviate bietet standardmäßig eine native Hybridsuche. 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.