Beste Vektordatenbank 2026: Qdrant, Pinecone, Weaviate oder Chroma

Die strukturelle Frage lautet, ob Sie die Engine betreiben oder mieten, und das hängt daran, ob Entwicklungsstunden oder Budget knapper sind. Lesen Sie von oben und halten Sie bei der ersten Zeile inne, die auf Sie zutrifft.

Eine Vektordatenbank speichert die hochdimensionalen numerischen Embeddings, die ein Embedding-Modell erzeugt, und beantwortet darauf Nearest-Neighbour-Abfragen — genau der Abrufschritt, der im Zentrum jeder RAG-Pipeline steht. Sie übergeben einen Abfragevektor und erhalten die gespeicherten Vektoren zurück, die ihm am nächsten liegen, üblicherweise samt Originaltext und Metadaten.

Gewöhnliche Datenbanken können das prinzipiell auch und gehen dabei in die Knie, denn exakte Nearest-Neighbour-Suche über Millionen hochdimensionaler Vektoren ist teuer. Diese Engines nutzen approximative Indizes — in allen vier Fällen HNSW —, die etwas Trefferquote gegen sehr viel Geschwindigkeit tauschen. Dieser Tausch ist der ganze Grund, warum es die Kategorie gibt.

Die praktische Folge: Die interessanten Unterschiede sind nicht, ob ähnliche Vektoren gefunden werden — das können alle vier. Es geht darum, wie gut Metadatenfilterung mit dem Vektorindex zusammenspielt, wie reif die hybride Suche ist, was es bei Ihrem Volumen kostet und ob Sie es selbst betreiben können. Zur Pipeline drumherum siehe lokales RAG aufbauen.

Jede dieser Engines optimiert eine andere Beschränkung — Ressourcenbedarf, Betriebseinfachheit, Trefferqualität oder Zeit bis zur ersten Abfrage — statt Funktion gegen Funktion anzutreten. Die Preise stammen von den Preisseiten der Anbieter vom 28. August 2026, die Repository-Zahlen vom selben Tag aus der GitHub-API.

Selbstbetrieb gibt Ihnen Kostenkontrolle und Datenresidenz und überträgt Ihnen Verfügbarkeit, Backups und Skalierung; die Managed Cloud verkauft Ihnen das zurück. Ehrlich betrachtet ist der Geldunterschied kleiner, als die meisten Teams erwarten, und der Zeitunterschied größer.

Ein Qdrant oder Weaviate auf einem einzelnen bescheidenen Server bringt eine Million Vektoren für rund 40 bis 80 $ Infrastruktur im Monat unter. Die verwalteten Gegenstücke landen in dieser Größenordnung ähnlich. Was sie tatsächlich trennt, sind die zwei bis fünf Stunden im Monat, in denen jemand patcht, überwacht, nach einem misslungenen Deploy zurückspielt und geweckt wird, wenn eine Platte volläuft. Setzen Sie dafür den realen Stundensatz an, und der Vergleich kippt meist.

Die Fälle, in denen Selbstbetrieb klar gewinnt, drehen sich nicht primär ums Geld. Es sind Datenresidenz, eine Anforderung nach Abschottung oder Betrieb im eigenen Rechenzentrum, und ein Volumen, das hoch genug ist, dass nutzungsabhängige Abrechnung einen festen Server überholt. Klar gewinnt Managed dort, wo ein kleines Team keine freie Entwicklungskraft hat und die Alternative zum Zahlen nicht Sparen heißt, sondern später ausliefern.

Qdrant ist die Empfehlung für die meisten Teams, weil es den geringsten Ressourcenbedarf der quelloffenen Engines hat, die größte Community der drei und eine Cloud-Stufe, die dauerhaft kostenlos ist statt für ein Testfenster. Es macht Ihnen zudem die wenigsten Vorgaben, wie Sie Ihre Daten strukturieren.

Pinecone ist das ausgereifteste verwaltete Produkt hier und das einzige ohne jede selbst betriebene Variante — zugleich seine stärkste Eigenschaft und die größte Festlegung. Sie kaufen die Abwesenheit von Betriebsarbeit.

Weaviate hat die reifste hybride Suche der vier, und seit Juni 2026 auch eine Gratisstufe, die nicht abläuft — was den Rat entwertet, den die meisten Vergleiche dazu noch geben. Wenn die Trefferqualität Ihr Engpass ist, schauen Sie hier zuerst.

Chroma ist das einzige der vier, das ohne Server in Ihrem Python-Prozess läuft, und damit der schnellste Weg von nichts zu funktionierendem Abruf. Es ist bewusst schmaler als die anderen und geht damit offen um.

Seit Juni 2026 bietet jeder der vier Anbieter einen Weg, eine echte Last zu null Kosten zu betreiben, und das ist der schnellste Test, ob ein Vergleich, den Sie lesen, dieses Jahr aktualisiert wurde. Ein Ratgeber, der Ihnen sagt, Weaviate gebe Ihnen nur eine 14-Tage-Sandbox, beschreibt einen Zustand, der am 17. Juni 2026 endete.

Die vier Gratisangebote haben sehr unterschiedliche Zuschnitte, und das zählt mehr als die bloße Tatsache, dass es sie gibt. Qdrant Cloud gibt Ihnen einen dauerhaften Ein-Knoten-Cluster mit 0,5 vCPU, 1 GB RAM und 4 GB Speicher, dauerhaft kostenlos — eine kleine Maschine, die Ihnen bleibt. Pinecone Starter ist kostenlos mit 2 GB Speicher und gemessenen Kontingenten von 2 Mio. Write Units und 1 Mio. Read Units im Monat — Kapazität plus Durchsatzbudget. Weaviates Gratistarif bietet 100.000 Objekte, 1 GB Arbeitsspeicher und 10 GB Platte ohne Kreditkarte und ohne Ablauf — beim Speicher das großzügigste. Chroma Cloud Starter kostet 0 $ im Monat plus Nutzung mit 5 $ Guthaben, was ein Guthabenstand ist und kein laufendes Kontingent, und unter Last irgendwann aufgebraucht sein wird.

Lesen Sie das gegen Ihre Last, nicht gegeneinander. Wenn Sie viel speichern und selten abfragen, sind Weaviates 10 GB hier das stärkste Angebot. Wenn Sie ständig gegen einen kleinen Korpus abfragen, zählt Pinecones Read-Unit-Kontingent mehr als jede Plattenangabe.

Bei einer Million Vektoren mit 1.536 Dimensionen — etwa die Größe eines OpenAI-Embedding-Korpus — liegen die Infrastrukturkosten von Selbstbetrieb und Managed so nah beieinander, dass die Betriebszeit entscheidet. Die Zahlen unten setzen einen Ein-Knoten-Betrieb auf einem Server für 40 bis 80 $ im Monat mit 4 vCPU und 16 GB RAM gegen die jeweils günstigste Stufe, die dieselbe Last bequem trägt.

Alle vier lassen sich mit LangChain und LlamaIndex verbinden, die Framework-Frage ist damit weitgehend erledigt; bei der hybriden Suche unterscheiden sie sich wirklich. Hybride Suche verbindet Stichwortbewertung, meist BM25, mit Vektorähnlichkeit, und es gibt sie, weil reine Bedeutungssuche eine bestimmte und vorhersagbare Schwäche hat.

Diese Schwäche sind exakte Tokens. Artikelnummern, Modellbezeichnungen, Fehlerstrings, Versionskennungen und Abkürzungen bedeuten ihre wörtliche Form, und das Embedding von „ERR_4021" liegt näher an den Embeddings anderer Fehlerstrings als an der Passage, die genau diesen dokumentiert. Stichwortabgleich findet das mühelos, Bedeutungssuche nicht — deshalb hebt die Mischung die Trefferqualität auf technischen Korpora weit stärker als das Feintuning des Embedding-Modells.

Weaviate hat die reifste Umsetzung, mit BM25- und Vektorbewertung kombiniert in der Abfrage-API und echter Kontrolle über die Gewichtung. Qdrant kommt über native sparse Vektoren neben dichten zum selben Ergebnis, architektonisch sauberer und etwa gleich leistungsfähig. Pinecone unterstützt es über seine sparse- und dense-Indextypen. Chromas Umsetzung ist die neueste und am wenigsten vollständige und die, die Sie an Ihren eigenen Abfragen messen sollten, bevor Sie in einem startkritischen Pfad darauf bauen.

Teamgröße, Betriebskapazität und Residenzanforderungen entscheiden das, nicht Benchmark-Tabellen. Sechs Profile decken die meisten Leserinnen und Leser ab.

Ein Vektorspeicher enthält Embeddings Ihrer Quelldokumente und in nahezu jedem Aufbau auch den Originaltext als Payload. Damit wird die Wahl zwischen gehostet und selbst betrieben in drei wichtigen Märkten zur Datenschutzfrage.

Wenn Sie unter rund 10.000 Vektoren haben, überspringen Sie alle vier und nutzen Sie pgvector auf Postgres. In dieser Größenordnung ist ein exakter Nearest-Neighbour-Scan in Millisekunden fertig, der approximative Index, der eine eigene Engine rechtfertigt, löst also ein Problem, das Sie nicht haben. Wenn Sie ohnehin Postgres betreiben, ergänzt pgvector einen Spaltentyp und einen Index statt eines Dienstes, und Ihre Vektoren liegen in derselben Transaktion wie die Zeilen, die sie beschreiben — womit eine ganze Klasse von Konsistenzfehlern entfällt, bei denen Index und Quelldaten auseinanderlaufen.

SQLite mit `sqlite-vec` deckt dasselbe für Anwendungen ganz ohne Datenbankserver ab. Und wenn Ihre Embeddings statisch sind und sich selten ändern, ist ein ins Repository eingecheckter FAISS-Index einfacher als all das: kein Dienst, kein Schema, keine Migration.

Die Schwelle, auf die zu warten sich lohnt, ist konkret: Vektorzahlen im hohen sechsstelligen Bereich, Abfragelatenz, die ein sequentieller Scan nicht mehr verbergen kann, oder Bedarf an Metadatenfilterung, die mit der Ähnlichkeitssuche zusammenspielt statt danach zu laufen. Eine eigene Engine davor aufzusetzen heißt, einen Dienst zu betreiben für ein Problem, das Ihre bestehende Datenbank schon löst.