Melhor banco de dados vetorial 2026: Qdrant, Pinecone, Weaviate ou Chroma

A questão estrutural é se você opera o motor ou o aluga, e isso depende de qual é o seu recurso escasso: horas de engenharia ou orçamento. Leia de cima para baixo e pare na primeira linha que descreva você.

Um banco de dados vetorial armazena os embeddings numéricos de alta dimensão que um modelo de embeddings produz e responde consultas de vizinhos mais próximos sobre eles, que é o passo de recuperação no centro de qualquer pipeline RAG. Você entrega um vetor de consulta e ele devolve os vetores armazenados mais próximos, normalmente com o texto original e os metadados junto.

Bancos comuns tecnicamente conseguem fazer isso e desabam ao tentar em escala, porque busca exata de vizinhos mais próximos sobre milhões de vetores de alta dimensão é cara. Esses motores usam índices aproximados — HNSW nos quatro casos — que trocam um pouco de abrangência por uma aceleração enorme. Essa troca é a razão inteira de a categoria existir.

A consequência prática é que as diferenças interessantes entre os quatro não são "consegue achar vetores semelhantes": todos conseguem. São o quanto a filtragem por metadados se combina com o índice vetorial, o quanto a busca híbrida está madura, o que custa no seu volume e se você pode operá-lo. Para o pipeline que envolve tudo isso, veja construir RAG local.

Cada um otimiza uma restrição diferente — consumo, simplicidade operacional, qualidade da recuperação ou tempo até a primeira consulta — em vez de competir recurso a recurso. Os preços foram lidos nas páginas de cada fornecedor em 28 de agosto de 2026, e os números dos repositórios vieram da API do GitHub no mesmo dia.

Auto-hospedar dá controle de custo e residência de dados e transfere a você disponibilidade, backups e escalonamento; a nuvem gerenciada revende isso de volta. Sendo honesto, a diferença de dinheiro é menor do que a maioria das equipes espera e a de tempo é maior.

Um Qdrant ou Weaviate de nó único em uma máquina modesta roda um milhão de vetores por cerca de US$ 40 a US$ 80 por mês de infraestrutura. Os equivalentes gerenciados caem em faixa parecida nessa escala. O que de fato os separa são as duas a cinco horas por mês que alguém gasta aplicando correções, monitorando, restaurando depois de um deploy ruim e sendo acionado quando um disco enche. Coloque nisso o valor-hora real da sua equipe e a comparação geralmente se inverte.

Os casos em que auto-hospedar vence com clareza não são principalmente sobre dinheiro. São residência de dados, uma exigência de isolamento ou instalação local, e volume alto o bastante para que a cobrança por consumo ultrapasse uma máquina fixa. O caso em que o gerenciado vence com clareza é uma equipe pequena sem engenheiro sobrando, onde a alternativa a pagar não é economizar, mas entregar mais tarde.

O Qdrant é a recomendação para a maioria das equipes porque tem o menor consumo de recursos dos motores abertos, a maior comunidade dos três e um nível de nuvem gratuito indefinidamente em vez de por uma janela de teste. É também o que menos opina sobre como você estrutura seus dados.

O Pinecone é o produto gerenciado mais maduro daqui e o único sem nenhuma versão auto-hospedada, o que é ao mesmo tempo sua maior força e seu maior compromisso. O que você compra é a ausência de trabalho operacional.

O Weaviate tem a busca híbrida mais madura dos quatro e, desde junho de 2026, também um nível gratuito que não expira — o que invalida o conselho que a maioria das comparações ainda dá sobre ele. Se a qualidade da recuperação é o seu gargalo, olhe aqui primeiro.

O Chroma é o único dos quatro que roda dentro do seu processo Python sem servidor, o que o torna o caminho mais rápido do nada até uma recuperação funcionando. É mais estreito que os outros por escolha, e assume isso.

Desde junho de 2026 os quatro fornecedores oferecem um jeito de rodar uma carga real a custo zero, e essa é a forma mais rápida de saber se a comparação que você está lendo foi atualizada neste ano. Um guia que diz que o Weaviate só oferece um sandbox de 14 dias está descrevendo um estado do mundo que acabou em 17 de junho de 2026.

As quatro ofertas gratuitas têm formatos genuinamente diferentes, e isso importa mais do que o fato de existirem. O Qdrant Cloud dá um cluster persistente de nó único com 0,5 vCPU, 1 GB de RAM e 4 GB de disco, grátis para sempre: uma máquina pequena que fica com você. O Pinecone Starter é gratuito com 2 GB de armazenamento e cotas medidas de 2 mi de unidades de escrita e 1 mi de leitura por mês: capacidade mais orçamento de vazão. O plano gratuito do Weaviate dá 100.000 objetos, 1 GB de memória e 10 GB de disco sem cartão e sem expiração: o mais generoso em disco. O Chroma Cloud Starter custa US$ 0 por mês mais consumo com US$ 5 de crédito, que é um saldo e não uma cota permanente, e vai acabar se esgotando sob carga.

Leia isso contra a sua carga, não uns contra os outros. Se você armazena muito e consulta pouco, os 10 GB do Weaviate são a oferta mais forte daqui. Se consulta o tempo todo contra um corpus pequeno, a cota de unidades de leitura do Pinecone importa mais que o número de disco de qualquer um.

Para um milhão de vetores de 1.536 dimensões — aproximadamente um corpus do tamanho dos embeddings da OpenAI — os custos de infraestrutura estão próximos o bastante entre auto-hospedado e gerenciado para que o tempo de operações decida. Os números abaixo assumem uma instalação de nó único em uma máquina de US$ 40 a US$ 80 por mês com 4 vCPU e 16 GB de RAM, contra o nível mais baixo de cada fornecedor que cobre a mesma carga com folga.

Os quatro se integram a LangChain e LlamaIndex, então a questão do framework está praticamente resolvida; onde eles realmente diferem é na busca híbrida. A busca híbrida mistura a pontuação por palavras-chave, normalmente BM25, com a similaridade vetorial, e existe porque a busca puramente semântica tem um modo de falha específico e previsível.

Esse modo de falha são os tokens exatos. Códigos de produto, números de modelo, mensagens de erro, identificadores de versão e siglas significam sua forma literal, e o embedding de "ERR_4021" fica perto dos embeddings de outras mensagens de erro em vez de perto da passagem que documenta justamente aquela. A correspondência por palavra-chave pega isso trivialmente e a busca semântica não, e é por isso que misturar as duas eleva a precisão em corpora técnicos muito mais do que ajustar o modelo de embeddings.

O Weaviate tem a implementação mais madura, com pontuação BM25 e vetorial combinadas na API de consulta e controle real sobre o peso. O Qdrant chega ao mesmo lugar por meio do suporte nativo a vetores esparsos ao lado dos densos, o que é arquiteturalmente mais limpo e aproximadamente igual em capacidade. O Pinecone dá suporte a isso em seus tipos de índice esparso e denso. A do Chroma é a mais nova e menos completa, e é a que convém medir contra suas próprias consultas antes de depender dela em um caminho crítico de lançamento.

Tamanho da equipe, capacidade de operações e exigências de residência decidem isso, não tabelas de benchmark. Seis perfis cobrem a maioria dos leitores.

Um repositório vetorial guarda embeddings dos seus documentos de origem e, em praticamente qualquer instalação, também o texto original como payload. Isso transforma a escolha entre hospedado e auto-hospedado em uma questão de proteção de dados em três mercados importantes.

Se você tem menos de cerca de 10.000 vetores, pule os quatro e use pgvector no Postgres. Nessa escala uma varredura exata de vizinhos mais próximos termina em milissegundos, então o índice aproximado que justifica um motor dedicado resolve um problema que você não tem. Se já roda Postgres, o pgvector acrescenta um tipo de coluna e um índice em vez de um serviço, e seus vetores ficam na mesma transação das linhas que descrevem, o que elimina silenciosamente uma classe inteira de erros de consistência em que índice e dados de origem divergem.

SQLite com `sqlite-vec` cobre o mesmo terreno para aplicações sem nenhum servidor de banco. E se seus embeddings são estáticos e mudam pouco, um índice FAISS versionado no seu repositório é mais simples que tudo isso: sem serviço, sem esquema, sem migração.

O limiar que vale a pena esperar é concreto: centenas de milhares de vetores, latência de consulta que uma varredura sequencial já não consegue esconder, ou necessidade de filtragem por metadados que se componha com a busca por similaridade em vez de rodar depois dela. Subir um motor dedicado antes disso significa operar um serviço para resolver um problema que o seu banco atual já cobre.