Pinecone vs Qdrant vs Weaviate vs pgvector：完整比較

向量資料庫是 RAG 的核心儲存層。Pinecone、Qdrant、Weaviate、pgvector 各有強項——這篇用實測數字幫您選對。

四家規格對比

各家適合場景

Pinecone

適合：不想自架、預算 $70+、需要立即上線

不適合：超敏感資料（雲端）、預算極緊

Qdrant

適合：要自架、有 IT、要極致效能

不適合：完全沒 IT 資源

Qdrant 2026 年是中小企業 RAG 最熱門選擇——自架免費、效能最強、社群活躍。

Weaviate

適合：需要 GraphQL 介面、需要內建模組（如 reranker）

不適合：簡單需求

pgvector

適合：已有 PostgreSQL、< 100 萬筆、不想多管一個服務

不適合：100 萬筆以上、純 SQL 學習曲線高

效能實測（100 萬筆向量、768 維）

選型決策

1. 已用 PostgreSQL 且資料 < 100 萬筆 → pgvector
2. 沒 IT、預算可以 → Pinecone
3. 有 IT、自架優先 → Qdrant
4. 需要 GraphQL / 圖資料 → Weaviate

自架 Qdrant 快速上手

# Docker
docker run -p 6333:6333 -v $(pwd)/storage:/qdrant/storage qdrant/qdrant

# Python
from qdrant_client import QdrantClient
from qdrant_client.models import VectorParams, Distance

client = QdrantClient(host='localhost', port=6333)
client.create_collection(
    collection_name='docs',
    vectors_config=VectorParams(size=768, distance=Distance.COSINE)
)

# 插入
client.upsert(
    collection_name='docs',
    points=[{
        'id': 1,
        'vector': [...],  # 768 維
        'payload': {'text': '...', 'source': 'doc1.pdf'}
    }]
)

# 查詢
results = client.search(
    collection_name='docs',
    query_vector=[...],
    limit=10
)

遷移成本

向量庫之間遷移其實不難——資料是 (vector + metadata) 對，匯出匯入的工具大都成熟。所以可以從 pgvector 起步，規模大了再遷到 Qdrant。