Содержание
Коротко
Для агента ИИ векторное хранилище — это не «быстрый поиск похожих кусков», а память с правилами: кто владелец записи, какой тип воспоминания, можно ли смешивать ключи и смысл. Обзор на Dev.to сравнивает Qdrant, Pinecone, Weaviate, pgvector и Milvus уже не по сырой скорости приближённого поиска соседей (ANN), а по фильтрам, гибридному поиску, изоляции арендаторов и сжатию на миллиардах векторов.
Что произошло
Автор фиксирует сдвиг критериев. Раньше выбирали движок по задержке ближайших соседей. Для агентов важнее другое: фильтр по tenant_id / user_id / времени прямо во время обхода графа, гибрид точных совпадений и плотных векторов, пространства имён между сессиями и квантование, которое режет расход оперативной памяти на десятки процентов.
В сравнительной таблице у каждого свой профиль. Qdrant (Rust, открытый код) хвалят за фильтрацию внутри графа HNSW и двоичное квантование — типичный выбор для слоя памяти агента. Pinecone в безсерверном режиме отделяет хранение от вычисления и снимает эксплуатацию кластера. Weaviate силён в модульной выдаче и гибриде. pgvector оставляет векторы рядом с реляционными данными и транзакциями PostgreSQL. Milvus ориентирован на очень крупные наборы в распределённом Kubernetes.
Практический вывод автора короткий: Qdrant — для сильной фильтрации и своего хостинга; Pinecone — если не хотите админить индекс; pgvector — если продукт уже живёт в PostgreSQL; Milvus — когда счёт идёт на сотни миллионов векторов.
Почему это важно
Агент без надёжной изоляции памяти быстро превращается в утечку чужих предпочтений. Фильтр «после поиска» ломает полноту выдачи; фильтр «в графе» — инженерный критерий, а не галочка в маркетинге. Гибридный поиск нужен там, где важны и символы кода, и смысл фразы. Квантование — не оптимизация «на потом», а способ удержать стоимость памяти, когда база растёт вместе с сессиями.
Подробный производственный разбор того же класса решений — в векторных базах в проде.
На практике
- Запишите сценарий агента: мультитенантность, обновление памяти, нужно ли соединение SQL с профилем пользователя.
- Проверьте фильтры на этапе поиска, а не постфактум: воспроизведите «перефильтрованную» выдачу на своём наборе.
- Если уже есть PostgreSQL и объём умеренный — сначала измерьте
pgvector, прежде чем заводить второй кластер. - Для своего хостинга памяти агента сравните
QdrantиWeaviateна ваших фильтрах и гибриде, а не на чужом бенчмаркеANN. - Закладывайте квантование в бюджет оперативной памяти до того, как «миллион векторов» станет сюрпризом в проде.
Итог
В 2026 выбор векторной базы для агента — это выбор контракта памяти, а не гонки миллисекунд. Скорость ANN остаётся входом, но побеждает тот стек, который честно фильтрует, изолирует и сжимает данные под вашу нагрузку.