YENİPublication of @aurabase/aurabase-js v0.7.5 NPM Packages & Rust Crate v0.1.2Değişiklik günlüğüne bakın →

Yerel yapay zeka · 9 dk. okuma

pgvector ve Pinecone, Weaviate, Qdrant 2026'da

Affane Daylami · Fondateur · 9 Nisan 2026

Bloga geri dön

pgvector bir vektör veritabanı değildir: mevcut bir ilişkisel veritabanına bir vektör sütun türü ve benzerlik operatörleri ekleyen bir Postgres uzantısıdır. Pinecone, Weaviate ve Qdrant üç farklı dağıtım modeliyle vektör araştırmasına adanmış üç temeldir. Dolayısıyla asıl soru "hangisi daha iyi" değil, "vektörlerinizin ilişkisel verilerinizle birlikte mi yoksa ayrı bir sistemde mi yaşaması gerektiğidir".

Bu sayfa otomatik olarak çevrildi. İngilizce versiyonu yetkilidir.

Bu makale, zaman içinde neyin sabit kalacağına ilişkin dört seçeneği karşılaştırmaktadır: dağıtım modeli, verilerin yeri ve arama yetenekleri. Pinecone, Weaviate veya Qdrant için fiyatlandırma veya gecikme karşılaştırmalarını yeniden yayınlamıyoruz. Bu rakamlar, tarih doğrulaması olmadan güvenilir olamayacak kadar hızlı değişiyor ve bu makale için yürütülen araştırma bunları kapsamıyor. Aurabase yerel AI sütununa (NL2SQL, RAG, aracılar) genel bakış için Yerel AIsayfamıza bakın.

Temeller
  • pgvector bir Postgres uzantısıdır, ayrı bir temel değildir: vektörleriniz ilişkisel verilerinizle bağlantılı kalır ve RLS doğrudan vektör sütunlarına uygulanabilir.
  • Pinecone, herkese açık kendi kendine barındırma seçeneği olmayan, tescilli, kapalı bir bulut hizmetidir. Veri formatına tamamen bağlılık karşılığında sıfır altyapı işlemi.
  • Weaviate ve Qdrant, kendi kendine barındırılan veya yönetilen bir bulutta kullanılabilen iki özel açık kaynaklı vektör veritabanıdır. Weaviate hibrit BM25 + yerel vektör araştırmasını öne çıkarır; Qdrant yük filtrelemeyi ve bellek miktarını belirlemeyi vurgular.
  • Aurabase, pgvector 0.8.6'yı her projenin Postgres görüntüsüne yerleştirir ve bunu, 23 Ağustos 2026 itibarıyla kod olarak doğrulanan yerel RAG işlevleri (alma, yerleştirmeler, HNSW dizini) için kullanır.
  • Evrensel bir kazanan yoktur: Doğru seçim, mutlak performans sıralamasına değil, verilerinizin topolojisine bağlıdır.
#
Genel Bakış

Dörtlü sıralama değil, dört mimari

pgvector, Pinecone, Weaviate ve Qdrant hepsi aynı işlevi görür; aralarında uyumsuz mimariler bulunan bir sorguya en yakın vektörleri bulur. Aşağıdaki tablo zaman içinde doğru kalanları karşılaştırmaktadır: dağıtım modeli, veri konumu, arama yetenekleri. Pinecone, Weaviate ve Qdrant fiyatları ve kesin sürüm numaraları kasıtlı olarak belirtilmemiştir: herhangi bir satın alma kararı vermeden önce bunları resmi sitelerden kontrol edin.

KriterpgvectorPineconeWeaviateQdrant
TürPostgres uzantısı, ayrı bir temel değilTescilli vektör veritabanı, kapalı hizmetÖzel vektör tabanı, açık kaynakÖzel vektör tabanı, açık kaynak
Verileriniz nerede yaşıyorPostgres içinde, ilişkisel şemanın geri kalanıyla birlikteAna üssünüzün dışında, Pinecone DizinindeAna üssünüzün dışında, bir Weaviate koleksiyonundaAna üssünüzün dışında, Qdrant koleksiyonunda
DağıtımMevcut bir Postgres kümesine katıştırılmışYalnızca yönetilen bulut, herkese açık kendi kendine barındırma seçeneği yokKendi kendine barındırılan veya yönetilen bulut (Weaviate Bulut)Kendi kendine barındırılan veya yönetilen bulut (Qdrant Bulut)
Hibrit anahtar kelime + vektör aramaEvet, standart SQL aracılığıyla: vektörle birleştirilmiş tsvector, birleştirmeler ve ilişkisel filtrelerMeta verilere göre filtreleme; belgelenmiş yerel BM25 füzyonu yokEvet, füzyon vektörü + yerel BM25, ürünün amiral gemisi özelliğiYüke göre zengin filtreleme; varsayılan olarak yerel BM25 füzyonu yok
Çok kiracılı yalıtımStandart Postgres RLS, satır düzeyinde, doğrudan vektör sütunlarına uygulanabilirHizmet tarafında dizin veya ad alanına göre yalıtımServis tarafında toplama yoluyla izolasyonServis tarafında toplama yoluyla izolasyon
Bulanık arama diziniIVFFlat ve HNSW, seçiminizTescilli dizin, uygulama ayrıntıları ayrıntılı olarak yayınlanmadıHNSWHNSW, isteğe bağlı skaler veya ikili nicemlemeyle
Topoloji karşılaştırması: Postgres içine gömülü pgvector ile uygulamadan senkronize edilen özel bir vektör tabanıPostgres + pgvectorİlişkisel tablolarVektör sütunları + HNSW diziniAynı işlem, aynı RLS politikalarıÖzel vektör tabanıAna uygulamanız/tabanınızPinecone / Weaviate / QdrantBakım için senkronizasyon (ETL, iş, web kancası)

İki olası topolojinin kavramsal diyagramı. Herhangi bir şifrelenmiş veriyi kodlamaz, yalnızca dağıtım mimarisini kodlamaz.

Aurabase kodunda kontrol edilen öğe: her projenin Postgres görüntüsüne gömülü pgvector sürümü 0.8.6'dır. Standart yukarı akış CNPG görüntüsü tarafından sağlanır, özel olarak Aurabase tarafından eklenmez. Bu gerçek, 23 Ağustos 2026 tarihinde deponun Docker dosyasında belirtilmiştir. Resmi pgvector deposu ayrıca vektör başına maksimum 16.000 boyutu doğrulamaktadır. Bu, Aurabase'nin yerel RAG ardışık düzeni tarafından kullanılan üç boyut sınıfının (768, 1536, 3072) oldukça üzerindedir. Bu işlem hattı, Aurabase üzerine kurulu, pgvector'ye özel bir uygulama eklentisidir.

#
pgvector

Postgres ayrılmadan vektör arama

pgvector normal bir Postgres tabanına bir vector(n) sütun türü ve mesafe işleçleri (<=> kosinüs, <-> öklid, <#> nokta çarpımı) ekler. Vektörleriniz şemanızın geri kalanıyla aynı tabloyu, aynı işlemi ve aynı kısıtlamaları paylaşır: harici bir sistemle senkronize edilecek hiçbir şey yoktur.

For fuzzy searching, pgvector offers two index types to choose from. IVFFlat divides the vector space into lists by clustering and searches only in the lists closest to the query. Its construction is lighter, but you must choose a number of lists adapted to the volume of data. HNSW constructs a multi-level neighbor graph, without a prior training step, at the cost of a more memory-intensive construction. For details of the adjustment parameters (m, ef_construction), see our guide dedicated to the HNSW index.

genel pgvector SQL örneği (dahili Aurabase kodu hariç)sql
-- Uzantı ve vektör sütunu (boyut 1536, örneğin metin yerleştirme-3-küçük)
CREATE EXTENSION IF NOT EXISTS vector;
ALTER TABLE documents ADD COLUMN embedding vector(1536);

-- Bulanık arama için HNSW dizini
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

-- RLS tarafından filtrelenen, ilişkisel bir tabloya katılan vektör arama
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;

Son satır yapılandırma noktasıdır: WHERE p.owner_id = auth.uid() cümlesi, diğer sorgularda olduğu gibi vektör aramasında da geçerlidir. RLS politikalarınız üçüncü taraf bir hizmette değil Postgres içinde bulunduğundan, hiçbir özel vektör veritabanı bu davranışı yerel olarak yeniden üretmez. Buna dayanarak eksiksiz bir RAG işlem hattı oluşturmak için RAG işlem hattı eğitimimize pgvector ile bakın.

#
Pinecone

Kendi kendine barındırma seçeneği olmayan, kapalı yönetilen hizmet

Pinecone özel olarak tescilli bir bulut hizmeti olarak sunulan bir vektör tabanıdır. Herkese açık, kendi kendine barındırılan bir sürüm yoktur: vektörleriniz sizinkinde değil, Pinecone altyapısında yaşar. Bu, geçici bir sınırlama değil, yayıncının üstlendiği mimari bir seçimdir.

Uzlaşma doğrudandır. Yönetilmesi gereken sıfır vektör altyapı işlemleri: boyuta göre küme yok, kendinizin çalıştıracağı dizin yok. Buna karşılık, genellikle olaydan sonra iki gizli maliyet ortaya çıkar. İlk olarak, ana veritabanınız ile Pinecone dizini arasında, kısmi arıza durumunda kendi tutarlılık mantığına sahip, oluşturulacak ve bakımı yapılacak bir senkronizasyon hattı. Daha sonra, özel bir format ve API: Pinecone'den geçiş yapmak, tüm vektörlerin yeniden dışa aktarılması ve entegrasyonun başka bir yerde yeniden oluşturulması anlamına gelir.

Bu oturumda doğrulanmamış rakamlara dikkat edin

Bu makalede Pinecone ile ilgili herhangi bir fiyatlandırma, kota sınırı veya belirli uygulama ayrıntılarından bahsedilmemektedir. Bu sayfa için yapılan araştırma, sık sık değişen bu bilgilerin yeni doğrulamasını içermiyordu. Üretimle ilgili herhangi bir karar vermeden önce resmi Pinecone belgelerine bakın.

#
Weaviate

Yerel hibrit aramaya sahip özel açık kaynak veritabanı

Weaviate özel olarak ayrılmış, açık kaynaklı ve kendi kendini barındıran bir vektör veritabanıdır ve onu kendileri çalıştırmayı tercih etmeyenler için yönetilen bulut teklifi (Weaviate Bulut) olarak da mevcuttur. Yayıncı tarafından en çok vurgulanan özelliği yerel hibrit aramadır. Sonuçların tek bir sınıflandırmasında, bir vektör benzerlik puanı ile BM25 tipi anahtar kelime uygunluk puanını birleştirir.

Somut olarak bu, diğer yaklaşımların uygulamaya bıraktığı bir adım olan anlamsal arama ile anahtar kelime arama arasındaki füzyon mantığını kendiniz yazmanızı önler. Weaviate ayrıca, alım sırasında harici yerleştirme sağlayıcılarına doğrudan bağlanmak için bir modül sistemi de sunar. Uzlaşma, herhangi bir tahsis edilmiş veritabanıyla aynı kalır: ana veri kaynağınızla senkronize kalmanız için çalıştırılacak veya ödeme yapılacak ek bir sistem.

#
Qdrant

Rust ile yazılmış özel veritabanı, filtreleme ve bellek alanı

Qdrant özel bir vektör veritabanıdır, açık kaynaktır ve Rust ile yazılmıştır, aynı zamanda kendi kendine barındırma veya yönetilen bulutta da mevcuttur (Qdrant Bulut). Aurabase'nin özü gibi, Qdrant de Rust ile yazılmıştır: başlı başına bir üstünlük argümanı değil, paylaşılan bir dil seçimi.

Qdrant ile ilgili geri bildirimlerde en sık iki nokta ortaya çıkar. Birincisi, zengin bir yük filtreleme sistemi: yapılandırılmış filtreleri (kategori, tarih, durum) ve vektör aramasını aynı sorguda birleştirmenize olanak tanır. Daha sonra, büyük ölçekli bir endeksin bellek ayak izini azaltmayı amaçlayan niceleme seçenekleri (skaler veya ikili). Weaviate ile aynı uzlaşma: sürdürülmesi gereken kendi senkronizasyon mantığına sahip, ana veritabanınızdan ayrı bir sistem.

#
Karar

pgvector, Pinecone, Weaviate veya Qdrant ne zaman seçilmelidir?

Aşağıdaki durumlarda pgvector öğesini seçin…

  • Vektörleriniz ilişkisel verilerinize (kullanıcılar, izinler, ürünler) bağlı kalmalıdır
  • RLS politikalarınız vektör arama sonuçlarına da uygulanmalıdır
  • Postgres üzerine senkronize edilecek bir sistem eklemek istemiyorsunuz

Aşağıdaki durumlarda Pinecone öğesini seçin…

  • Sıfır vektör altyapı işlemleri istiyorsunuz
  • Kapalı özel bir formatta kilitlemek ekibiniz için sorun değildir
  • Harici bir hizmete senkronizasyon hattı oluşturmayı kabul edersiniz

Aşağıdaki durumlarda Weaviate öğesini seçin…

  • Kendiniz yeniden oluşturmanıza gerek kalmadan, hibrit bir anahtar kelime + yerel vektör araması istiyorsunuz
  • Kullanım alanınız, mevcut bir uygulamaya eklenen bir işlevsellik değil, bağımsız bir arama motorudur
  • Ana üssünüze ek olarak özel bir hizmeti çalıştırmaya veya bunun için ödeme yapmaya hazırsınız

Aşağıdaki durumlarda Qdrant öğesini seçin…

  • Yüke göre zengin filtreleme, ölçeğinizde belirleyici bir kriterdir
  • Çok büyük bir vektör indeksi için hafıza nicelemesi önemlidir
  • Kodun kontrolünü elinizde bulundurduğunuz açık kaynaklı bir motor istiyorsunuz
#
Bizim seçimimiz

Kodun gösterdiği şey: yerel pgvector, ayrı bir uzantı olmadan

Aurabase, pgvector eklemez: uzantı, kiracı kümeleri için kullanılan temel olan CloudNativePG tarafından sağlanan standart Postgres görüntüsünde zaten mevcuttur. Aurabase'in en üstte oluşturduğu şey uygulama işlevselliğidir: ağ hatası yönetimine sahip bir besleme hattı, bir yerleştirme modülü ve HNSW dizinine göre vektör araması. Bu yetenek, 23 Ağustos 2026'da depo kodunda doğrulanan aura-aihizmetinde yerel olarak kullanıma sunuldu.

Aurabase RAG ardışık düzeni, mevcut yerleştirme modellerinin en yaygın çıktı boyutlarına karşılık gelen üç sınıf yerleştirme boyutunu (768, 1536, 3072) destekler. Her vektör, proje şemasında, bu projenin verilerinin geri kalanıyla aynı RLS politikaları altında normal bir Postgres tablosunun bir sütunu olarak kalır. Bu, bölüm 02'deki SQL örneğiyle aynı mantıktır ve yalıtılmış bir sorgu yerine tüm boru hattına uygulanır.

Dikkat

Bugün itibarıyla bu depoda pgvector ile Pinecone, Weaviate veya Qdrant'yi gerçek bir Aurabase yükünde karşılaştıran hiçbir gecikme karşılaştırması yayınlanmamıştır. Bu sütunda kullanılan metodoloji için Karşılaştırmalar sayfamıza ve tüm teknik belgeler için RAG pgvector kılavuzumuza bakın.

#
Sık sorulan sorular

Bize en sık sorulanlar

pgvector, üretimde Pinecone gibi özel bir vektör tabanının yerini alabilir mi?+
Mutlak bir kurala değil, verinin hacmine ve topolojisine bağlıdır. Mevcut bir uygulamaya entegre edilmiş vektör araması için (belgelerde RAG, katalogda anlamsal arama), pgvector ikinci bir sistemin senkronize edilmesini önler. Çok büyük ölçekte, ilişkisel birleştirmelere ihtiyaç duymadan tamamen vektör kullanımı için özel bir veritabanı gerçekten ilgi çekici olabilir. Bölüm 06'daki karar tablosuna bakın.
pgvector içindeki IVFFlat ve HNSW dizinleri arasındaki fark nedir?+
IVFFlat, vektör uzayını kümeleyerek listelere ayırır ve yalnızca en yakın listelerde arama yapar: daha hafif yapı, ancak hacme göre kalibre edilmesi gereken bir dizi liste. HNSW, önceden bir eğitim adımı olmadan, daha yoğun bellek kullanan bir yapı pahasına, çok düzeyli bir komşu grafiği oluşturur. Ayarlama parametrelerinin ayrıntıları için HNSW dizinine özel kılavuzumuza bakın.
Weaviate ve Qdrant, Pinecone'den farklı olarak açık kaynak mıdır?+
Her ikisi için de evet. Weaviate ve Qdrant, yönetilen bir bulut teklifi (Weaviate Bulut, Qdrant Bulut) ile desteklenen, şirket içinde barındırılan bir açık kaynak sürümünü dağıtır. Pinecone ise tersine, herhangi bir genel kendi kendine barındırma seçeneği sunmaz: yalnızca kendi özel bulutu aracılığıyla erişilebilen bir hizmettir.
Uygulama zaten Postgres kullanıyorsa ayrı bir vektör tabanına ihtiyaç var mı?+
Otomatik olarak değil. Gerçek kriter Postgres vektörleme yapıp yapamayacağı değildir (pgvector aracılığıyla yapabilir). Bu, vektör arama sonuçlarınızın RLS politikalarınıza göre filtrelenmiş ve ilişkisel verilerinize eklenmiş olarak kalıp kalmayacağıdır. Bu mekanizmanın ayrıntıları için Aurabase adresindeki RLS ile çok kiracılı yalıtım kılavuzumuza bakın.
#
Özetle

Bu dört mimari arasında evrensel bir kazanan yok

pgvector, Pinecone, Weaviate ve Qdrant aynı ihtiyacı karşılamaz. pgvector, özel bir ürüne göre daha az uzmanlaşmış bir motor pahasına, vektörleri Postgres içinde tutarak senkronizasyonu kaldırır. Pinecone, tamamen özel mülkiyet karşılığında tüm altyapı işlemlerini geri çeker. Weaviate kutudan çıktığı gibi yerel hibrit aramayı ekler. Qdrant zengin filtrelemeyi ve büyük ölçekli bellek alanını vurgular. Karar verme kriteri dört durumda da aynı kalır: verilerinizin nerede saklanması gerektiği ve verileri kimin filtreleyebileceği.

To build a complete RAG pipeline on this basis, our RAG pipeline tutorial with pgvector details ingestion, embeddings and vector search step by step. For the overview of Aurabase's native AI pillar, see the Native AIpage.

DAĞITILMAYA HAZIR MISINIZ?

Beş dakika içinde arka ucunuz.

Kredi kartı gerekmez · 500 MB ücretsiz · 50.000 MAU