Векторные базы данных для поиска по смыслу и RAG

Отправная точка — сколько векторов и какой длины. Миллион эмбеддингов по 1536 измерений во float32 занимает около 5,7 гибибайта сырых данных, и от этой цифры пляшут и цена хранения, и требования к памяти. В бенчмарке Supabase такой объём с индексом HNSW живёт на инстансе 2XL с 32 ГБ памяти за $410 в месяц и отдаёт 560 запросов в секунду; у Chroma те же данные обойдутся примерно в $1,90 в месяц за хранение плюс оплата за чтение. Разница берётся из архитектуры: одно решение держит индекс в оперативной памяти, другое опирается на объектное хранилище.

Второй вопрос — как именно вы ищете. Чистая близость векторов промахивается на артикулах, аббревиатурах и точных формулировках, поэтому смотрите на гибридный режим и на фильтры по метаданным. Chroma совмещает вектор, полнотекстовый поиск и regex в одном запросе, Redis добавляет к поиску соседей точные совпадения через Redis Query Engine, Vespa считает на узлах хранения собственную формулу ранжирования. Заодно проверьте потолок размерности: индекс pgvector берёт вектор до 2 000 измерений, для более длинных нужен halfvec или битовое представление.