Инфраструктура ИИ / Vector DB

Векторные хранилища для RAG: когда достаточно pgvector в PostgreSQL, а когда нужен Qdrant

Сравниваем индексы HNSW, фильтрацию по метаданным, потребление оперативной памяти и стоимость сопровождения векторных БД.

Начните с pgvector, если у вас уже есть PostgreSQL

Для базы знаний объёмом до 1–5 миллионов фрагментов расширение pgvector с индексом HNSW обеспечивает время отклика в единицы миллисекунд и позволяет объединять векторный поиск с проверкой прав доступа и транзакциями в одном SQL-запросе.

Когда оправдан выделенный Qdrant

При десятках миллионов векторов, высокой частоте обновлений, необходимости квантования самих векторов (Scalar/Binary Quantization) для экономии ОЗУ и сложной фасетной фильтрации специализированный движок Qdrant на Rust даёт заметный выигрыш.

МАТЕРИАЛ ПРОЙДЕН?

Отметка поможет найти непрочитанное.

← Инфраструктура ИИ
Продолжить тему

Читайте дальше

Смотреть все
AI / INFRASTRUCTURETRACE
Инфраструктура ИИ

Наблюдаемость ИИ-систем (LLM Observability): трейсинг промптов, задержек и качества с Self-Hosted Langfuse

Как отслеживать стоимость каждого шага агента, находить причины медленных ответов и собирать датасеты из реальных ошибок в продакшене.

4 МИН ЧТЕНИЯЧитать
128 материалов · 18 направлений · Esc — закрыть