Vector DB σε Production: pgvector vs Qdrant vs Weaviate

1. Το Δίλημμα της Παραγωγής: Specialized Vector DB vs. Relational Extension

Το 2026, οι εφαρμογές RAG (Retrieval-Augmented Generation) και τα αυτόνομα Agentic Workflows έχουν ξεπεράσει το στάδιο του demo. Δεν αρκεί πλέον να αποθηκεύετε μερικές χιλιάδες chunks σε ένα notebook. Σε περιβάλλον παραγωγής με δεκάδες εκατομμύρια διανύσματα υψηλών διαστάσεων (1536d OpenAI, 1024d Cohere/GTE, 768d bge), οι μηχανικοί λογισμικού αντιμετωπίζουν τρία κρίσιμα ερωτήματα:

2. Ανατομία & Αρχιτεκτονική των Τριών Ανταγωνιστών

4. Αναλυτικός Πίνακας Τεχνικών Χαρακτηριστικών & Trade-offs

Ενώ τα περισσότερα benchmarks επικεντρώνονται αποκλειστικά στο read latency, η πραγματική συμφόρηση σε συστήματα RAG με συνεχείς ενημερώσεις εγγράφων ή real-time vector streams είναι το write throughput (πόσα διανύσματα ανά δευτερόλεπτο μπορεί να απορροφήσει η βάση χωρίς να καταρρεύσει η απόκριση των αναγνώσεων).

Η αποθήκευση ευαίσθητων εταιρικών εγγράφων, προσωπικών δεδομένων (GDPR/HIPAA) και ιατρικών/οικονομικών αρχείων σε διανυσματική μορφή απαιτεί αυστηρό isolation. Τα embeddings μπορούν να ανακατασκευαστούν με τεχνικές vector-inversion, καθιστώντας την ασφάλεια των διανυσμάτων εξίσου κρίσιμη με τα raw κείμενα.

Η απώλεια ενός cluster με 50 εκατομμύρια διανύσματα κοστίζει χιλιάδες δολάρια σε API embeddings και ημέρες υπολογιστικής επανεκπαίδευσης. Οι στρατηγικές High Availability (HA) και Disaster Recovery (DR) διαφέρουν ριζικά μεταξύ των τριών εργαλείων:

Η παρακολούθηση μιας Vector Database δεν περιορίζεται στο CPU και τη RAM. Απαιτείται εξειδικευμένη ορατότητα στην υγεία του HNSW γραφήματος, στο cache hit ratio και στην καθυστέρηση του retrieval pipeline σε σύνδεση με το υπόλοιπο σύστημα AI (OpenTelemetry).

Ακολουθούν έτοιμα προς εκτέλεση παραδείγματα σε Python που υλοποιούν recursive text chunking, παραγωγή embeddings (OpenAI / Cohere / Local Ollama) και βελτιστοποιημένη εισαγωγή (batch upsert) στις τρεις βάσεις δεδομένων:

import os
from typing import List, Dict, Any
from openai import OpenAI

# 1. Παραγωγή Chunks με επικαλυπτόμενο παράθυρο (Sliding Window Chunking)
def recursive_chunker(text: str, chunk_size: int = 512, overlap: int = 64) -> List[str]:
    words = text.split(" ")
    chunks = []
    start = 0
    while start < len(words):
        end = start + chunk_size
        chunk = " ".join(words[start:end])
        if chunk.strip():
            chunks.append(chunk)
        start += (chunk_size - overlap)
    return chunks

# 2. Παραγωγή Embeddings σε ασφαλές batching (OpenAI text-embedding-3-small)
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def get_embeddings(texts: List[str], model: str = "text-embedding-3-small") -> List[List[float]]:
    response = client.embeddings.create(input=texts, model=model)
    return [item.embedding for item in response.data]

import psycopg
from pgvector.psycopg import register_vector

with psycopg.connect(
    "dbname=vectordb user=postgres password=secret"
) as conn:
    register_vector(conn)
    with conn.cursor() as cur:
        # Table με HNSW halfvec (FP16)
        cur.execute("""
            CREATE TABLE IF NOT EXISTS docs (
                id BIGSERIAL PRIMARY KEY,
                content TEXT,
                tenant_id TEXT,
                embedding halfvec(1536)
            );
            CREATE INDEX ON docs 
            USING hnsw (embedding halfvec_cosine_ops)
            WITH (m = 16, ef_construction = 64);
        """)
        
        # Fast batch insertion
        data = [
            (c, "tenant_42", e) 
            for c, e in zip(chunks, embeddings)
        ]
        cur.executemany("""
            INSERT INTO docs (content, tenant_id, embedding)
            VALUES (%s, %s, %s);
        """, data)
        conn.commit()

from qdrant_client import QdrantClient
from qdrant_client.models import (
    VectorParams, Distance, PointStruct,
    ScalarQuantization, ScalarQuantizationConfig,
    ScalarType
)

client = QdrantClient(url="http://localhost:6333")

# Collection με αυτόματο INT8 Quantization
client.recreate_collection(
    collection_name="knowledge_base",
    vectors_config=VectorParams(
        size=1536, 
        distance=Distance.COSINE
    ),
    quantization_config=ScalarQuantization(
        scalar=ScalarQuantizationConfig(
            type=ScalarType.INT8,
            always_ram=True
        )
    )
)

# Batch Upsert με metadata
points = [
    PointStruct(
        id=i,
        vector=emb,
        payload={"text": chk, "tenant": "tenant_42"}
    )
    for i, (chk, emb) in enumerate(zip(chunks, embeddings))
]
client.upsert(
    collection_name="knowledge_base",
    points=points,
    wait=False  # Non-blocking async ingest
)

import weaviate
from weaviate.classes.config import (
    Configure, Property, DataType
)

client = weaviate.connect_to_local()

# Collection με Multi-Tenancy & Hybrid
collection = client.collections.create(
    name="EnterpriseDocs",
    multi_tenancy_config=Configure.multi_tenancy(
        enabled=True, 
        auto_tenant_creation=True
    ),
    properties=[
        Property(name="content", data_type=DataType.TEXT),
        Property(name="doc_id", data_type=DataType.TEXT),
    ]
)

# Dynamic Batch context manager
tenant_collection = collection.with_tenant("tenant_42")
with tenant_collection.batch.dynamic() as batch:
    for i, (chk, emb) in enumerate(zip(chunks, embeddings)):
        batch.add_object(
            properties={"content": chk, "doc_id": str(i)},
            vector=emb
        )
client.close()

10. Πρακτικός Οδηγός Επιλογής: Ποιο να διαλέξετε;