pgvector vs Pinecone vs Qdrant — 벡터 데이터베이스 실전 비교 2026

pgvector 기본 설정 및 HNSW 인덱스
-- 확장 설치
CREATE EXTENSION IF NOT EXISTS vector;

-- 테이블 생성
CREATE TABLE documents (
  id SERIAL PRIMARY KEY,
  content TEXT,
  metadata JSONB,
  embedding vector(1536)
);

-- HNSW 인덱스 생성 (권장, IVFFlat보다 업데이트 유연)
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

-- 코사인 유사도 검색
SELECT id, content, 1 - (embedding <=> $1) AS similarity
FROM documents
WHERE metadata->>'source' = 'file.pdf'
ORDER BY embedding <=> $1
LIMIT 10;

Pinecone Python SDK 기본 사용법
from pinecone import Pinecone

pc = Pinecone(api_key="YOUR_API_KEY")

# 서버리스 인덱스 생성
pc.create_index(
    name="docs",
    dimension=1536,
    metric="cosine",
    spec={"serverless": {"cloud": "aws", "region": "us-east-1"}}
)

index = pc.Index("docs")

# 벡터 업서트 (배치)
index.upsert(vectors=[
    {"id": "doc1", "values": embedding, "metadata": {"source": "file.pdf", "page": 1}},
    {"id": "doc2", "values": embedding2, "metadata": {"source": "file.pdf", "page": 2}}
])

# 메타데이터 필터 + 검색
results = index.query(
    vector=query_embedding,
    top_k=10,
    filter={"source": {"$eq": "file.pdf"}},
    include_metadata=True
)

Qdrant Python SDK 기본 사용법
from qdrant_client import QdrantClient
from qdrant_client.models import VectorParams, Distance, PointStruct, Filter, FieldCondition, MatchValue

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

# 컬렉션 생성
client.create_collection(
    collection_name="docs",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE)
)

# 포인트 업서트 (페이로드 포함)
client.upsert(
    collection_name="docs",
    points=[
        PointStruct(id=1, vector=embedding, payload={"source": "file.pdf", "page": 1}),
    ]
)

# 페이로드 필터 + 벡터 검색
results = client.search(
    collection_name="docs",
    query_vector=query_embedding,
    query_filter=Filter(
        must=[FieldCondition(key="source", match=MatchValue(value="file.pdf"))]
    ),
    limit=10,
    with_payload=True
)