Vektordatenbanken 2026: Pinecone vs Weaviate vs Qdrant vs pgvector¶

Der Markt für Vektordatenbanken hat 2026 einen Punkt erreicht, an dem „welche Vector DB sollen wir nutzen?” keine technologische Auswahlentscheidung mehr ist, sondern eine architektonische Entscheidung mit Auswirkungen auf Latenz, Betriebskosten und Skalierbarkeit des gesamten KI-Stacks. Pinecone dominiert das Managed-Segment mit 70 % Marktanteil, das in Rust geschriebene Qdrant dominiert Open-Source-Benchmarks, Weaviate setzt auf hybride Suche, und pgvector hat seinen Weg in jedes PostgreSQL-Deployment gefunden. Dieser Artikel gibt Ihnen die Daten — Benchmarks, Preise, architektonische Trade-offs — damit Sie auf Basis von Fakten entscheiden können, nicht auf Basis von Marketing.

Warum Vektordatenbanken 2026¶

Eine Vektordatenbank speichert Daten als hochdimensionale Vektoren (Embeddings) und ermöglicht Similarity Search. Dies ist die Grundlage für RAG (Retrieval-Augmented Generation), semantische Suche, Recommendation Engines und Anomaly Detection.

2026 ist die Frage nicht ob Sie eine Vektordatenbank brauchen — wenn Sie irgendetwas mit LLMs bauen, brauchen Sie eine. Die Frage ist welche.

Index-Architektur: HNSW, IVF und Flat Search¶

HNSW (Hierarchical Navigable Small World)¶

HNSW ist heute der De-facto-Standard. Es erstellt einen mehrschichtigen Graphen, bei dem obere Schichten spärliche Verbindungen für schnelle Navigation und untere Schichten dichte Konnektivität für Präzision haben. HNSW erreicht Recall >0,99 bei Sub-Millisekunden-Latenzen, erfordert aber den gesamten Index im RAM.

IVF (Inverted File Index)¶

IVF unterteilt den Vektorraum in Cluster und durchsucht bei einer Query nur die nächsten Cluster. Speichereffizienter als HNSW, aber langsamer bei kleinen Datensätzen.

Vergleich: Pinecone vs Weaviate vs Qdrant vs pgvector¶

Eigenschaft	Pinecone	Weaviate	Qdrant	pgvector
Typ	Managed SaaS	Open-Source + Cloud	Open-Source + Cloud	PostgreSQL-Extension
Sprache	Proprietär (C++/Rust)	Go	Rust	C
Max Dimensionen	20.000	65.536	65.536	2.000
Hybride Suche	Sparse + Dense	BM25 + Vektor (nativ)	Sparse + Dense (Qdrant 1.7+)	tsvector + pgvector (manuell)
ACID-Transaktionen	Nein	Nein	Nein	Ja (vollständiges PostgreSQL)
Self-Hosted	Nein	Ja	Ja	Ja

Benchmarks: Latenz und Durchsatz¶

Basierend auf 1M Vektoren, 1536 Dimensionen, top-k=10, Recall-Ziel ≥0,95:

Metrik	Pinecone	Weaviate	Qdrant	pgvector (HNSW)
P50 Latenz	4,2 ms	5,8 ms	2,1 ms	8,4 ms
P99 Latenz	12 ms	18 ms	6,3 ms	24 ms
QPS (Single Node)	~800	~550	~1.200	~350
Recall@10	0,97	0,96	0,98	0,95

Qdrant dominiert bei reiner Vektor-Suchleistung dank seiner Rust-Implementierung und aggressiver SIMD-Nutzung.

Preise: Was es in der Produktion kostet¶

Lösung	Modell	Monatliche Kosten (Schätzung)	Free Tier
Pinecone Serverless	Pay-per-Query + Storage	$200–450/Monat	Ja
Qdrant Cloud	Node-basiert (RAM-optimiert)	$250–600/Monat	1 GB kostenlos für immer
Qdrant Self-Hosted	EC2/VM-Kosten	$80–200/Monat	Open-Source (Apache 2.0)
pgvector Self-Hosted	PostgreSQL-VM-Kosten	$60–150/Monat	Open-Source

Entscheidungs-Framework¶

Managed + schneller Start? → Pinecone Serverless.

Hybride Suche + Semantik + GraphQL? → Weaviate.

Maximale Performance + Self-Hosted + Fine-Grained Filtering? → Qdrant.

Bereits PostgreSQL + <5M Vektoren + ACID? → pgvector.

Für die meisten Enterprise-Projekte empfehlen wir, mit pgvector zu starten (kein zusätzlicher Betriebsaufwand) und zu Qdrant oder Pinecone zu migrieren, sobald Sie 5M Vektoren überschreiten oder Ihr SLO Sub-5ms-Latenz erfordert. Optimieren Sie nicht vorzeitig — das richtige Embedding-Modell hat einen größeren Einfluss auf die Retrieval-Qualität als die Wahl der Datenbank.