Vector DB Qdrant/Weaviate/Milvus（ベクターディービー）
Vector Database。Qdrant($0 OSS・Rust・HNSW・Cloud $25/mo・1.10+ 2024年)・Weaviate(GraphQL API・Python/Go)・Milvus(LF AI・Distributed・Zilliz Cloud)・Pinecone(SaaS・$0 starter・$70/mo・Serverless)・Chroma(in-memory Python)・LanceDB(Rust・Embedded)・pgvector(Postgres extension)・Redis Vector・MongoDB Atlas Vector Search・SurrealDB Vector・MeiliSearch hybrid search・Elasticsearch+Dense Vector・2026年 Qdrant + pgvector主流、RAG essential infra。
概要
ベクターデータベース（Vector DB）は、AI・機械学習の推論や検索で重要な役割を担う。2025年以降、RAG（Retrieval‑Augmented Generation）を実装する際の基盤として必須化が進む。代表的なオープンソースはQdrant（Rust実装、HNSWベース）、Weaviate（GraphQL API、Python/Go統合）、Milvus（分散設計、Zilliz Cloudサポート）である。2025年にQdrantとpgvectorが統合され、2026年にはRAGインフラの中核へと位置付けられる見込みだ。
主な特徴・仕組み
- HNSW（Hierarchical Navigable Small World）
- 近似最近傍探索で10⁶〜10⁷ベクトルを1 ms以下で検索。
- Rust / C++ ベース
- Qdrantは0 OSSで、1.10+ で 2024年にリリース。
- GraphQL API
- WeaviateはPython/Go SDKと統合、スキーマ定義が容易。
- 分散ノード
- Milvusはノード数×10で水平スケール。
- クラウド統合
- Qdrant Cloud 25 USD/月、Milvus Cloud（Zilliz）有料プラン。
- ベクトル拡張
- PostgreSQL の pgvector、Redis Vector、MongoDB Atlas Vector Search で既存データベースに統合。
- オフライン・オンプレミス
- Chroma（in‑memory Python）と LanceDB（Rust、Embedded）で低レイテンシ。
- Hybrid Search
- MeiliSearch がテキストとベクトルを同時検索。
- サーバーレス
- Pinecone は $70/月 で自動スケーリング。
- 2025年動向
- Qdrant + pgvector が業界標準に近づき、RAG での採用率が 70% を超える。
スペック比較表
| データベース | 主な言語 | スケーラビリティ | コスト | 推奨用途 | 2025年の主要アップデート |
|---|---|---|---|---|---|
| Qdrant | Rust | 1‑10 ノード | $25/月 | 低レイテンシ検索 | pgvector 統合 |
| Weaviate | Go/Python | 1‑5 ノード | 無料 | スキーマ駆動 | GraphQL 2.0 |
| Milvus | C++/Python | 10‑100 ノード | 有料 | 分散検索 | 2.0 リリース |
| Pinecone | C++/Python | サーバーレス | $70/月 | 大規模 RAG | スケール自動化 |
| Chroma | Python | 1 ノード | 無料 | 開発・テスト | in‑memory 速度向上 |
具体例・対応製品
- Qdrant + pgvector
- PostgreSQL 15 でベクトル列を追加し、SQL で検索。
- Milvus on AWS
- EC2 c6i.large (3 GHz, 4 vCPU, 16 GiB) で 1 M ベクトルを 5 ms で取得。
- Weaviate + Docker Compose
- Docker 24.0.5 で 3 ノード構成。
- Pinecone + LangChain
- 1 GB の埋め込みモデルで 10 k ドキュメントを 20 ms で検索。
- Chroma + Streamlit
- 2 TB NVMe SSD で 100 k ベクトルを 0.5 ms で返却。
自作PCでの選び方・注意点
- CPU：Ryzen 9 9950X3D（3.7 GHz 基本、4.8 GHz ブースト）
- GPU：RTX 5090（24 GB GDDR7、450 W TDP）
- メモリ：DDR5‑6000（64 GB、3200 MHz）
- ストレージ：Samsung 980 Pro 2 TB NVMe（読み込み 7,000 MB/s、書き込み 5,000 MB/s）
- 電源：Corsair RM750x（750 W、80+ Gold）
- ケース：NZXT H710i（フルサイズ、エアフロー優先）
- OS：Ubuntu 24.04 LTS（Docker, Kubernetes 1.28）
- ネットワーク：10 GbE LAN（10 Gbps で分散ノード間通信）
ポイント
- メモリ容量はベクトル数に比例。10 M ベクトルなら 128 GB 以上推奨。
- GPUは GPU‑accelerated HNSW を使う場合に必須。
- ストレージ速度はデータロード時間に直結。NVMe 3.5 TB で 9,000 MB/s を確保。
- 電源余裕は 30 % 以上を確保。
- 冷却は 150 °C まで耐えるファンを選択。
関連用語との違い
- RAG (Retrieval‑Augmented Generation)
- ベクトル DB は RAG の「検索」部分。LLM は「生成」部分。
- Embeddings
- 文章や画像をベクトル化するモデル。DB はそのベクトルを格納・検索。
- ANN (Approximate Nearest Neighbor)
- HNSW は ANN アルゴリズムの一種。
- FAISS
- Facebook の ANN ライブラリ。ベクトル DB では内部実装に利用されることも。
よくある質問(FAQ)
Q1. ベクトル DB は GPU が必須ですか？
A1. 必須ではない。CPU‑only で HNSW を走らせることも可能だが、10 M ベクトル以上では GPU で 1 ms 未満の検索が実現できる。
Q2. 2026 年に RAG のインフラとしてベクトル DB が主流になる理由は？
A2. 2025 年に Qdrant + pgvector が標準化され、2026 年に RAG がエンタープライズで必須化。ベクトル DB が検索・再利用の高速化を担うため。
Q3. どの DB が最もコストパフォーマンスが高いですか？
A3. 予算が 0 であれば Qdrant（OSS）と Chroma（in‑memory）を併用。サーバーレスでスケールしたい場合は Pinecone の $70/月 が適切。
まとめ
ベクトル DB は AI アプリケーションの検索層を担い、2025‑2026 年の RAG 需要拡大により選定が重要になる。Qdrant、Weaviate、Milvus はそれぞれ設計哲学が異なるが、共通点は HNSW を基盤にした高速 ANN 検索である。自作 PC で構築する際は CPU、GPU、メモリ、ストレージ、電源を十分に確保し、用途に合わせてクラウド・オンプレミスを選択することが鍵。ベクトル DB の進化を見逃さず、適切なプラットフォームを選ぶことで、RAG をはじめとする先端 AI 体験を実現できる。