Vector Databases: Pinecone vs Weaviate vs Chroma

Vector databases são essenciais para RAG. Eles armazenam embeddings e permitem busca por similaridade semântica. Mas qual escolher?

TL;DR: Resumo Rápido

O que é um Vector Database?

Banco de dados tradicional:
- Busca por valor exato: WHERE name = 'João'
- Busca por range: WHERE age > 18

Vector database:
- Busca por similaridade semântica
- "Encontre documentos parecidos com esta query"

Como funciona:
1. Texto → Embedding (vetor de números)
2. Armazena vetores no banco
3. Query → Embedding → Busca vetores similares
4. Retorna top K mais similares

Comparativo Detalhado

🔷 Chroma

Chroma - Simples e Local

✅ Prós:
- Totalmente open source
- Roda localmente (embedded)
- Setup em 2 minutos
- Ótimo para prototipação
- Integração nativa com LangChain

❌ Contras:
- Não escala bem para milhões de vetores
- Sem managed service oficial
- Features mais limitadas

📊 Specs:
- Tipo: Embedded / Self-hosted
- Algoritmo: HNSW
- Preço: Grátis

Melhor para: Desenvolvimento, MVPs, projetos pequenos

# Exemplo
import chromadb
client = chromadb.Client()
collection = client.create_collection("docs")
collection.add(
    documents=["texto 1", "texto 2"],
    ids=["id1", "id2"]
)
results = collection.query(query_texts=["busca"], n_results=5)

🌲 Pinecone

Pinecone - Managed e Escalável

✅ Prós:
- Fully managed (sem infra para gerenciar)
- Escala para bilhões de vetores
- Alta disponibilidade
- Excelente performance
- Namespaces para multi-tenancy

❌ Contras:
- Mais caro
- Vendor lock-in
- Não é open source

📊 Specs:
- Tipo: Cloud managed
- Algoritmo: Proprietário (otimizado)
- Preço: $70+/mês (produção)

Melhor para: Produção, startups com funding, enterprise

# Exemplo
from pinecone import Pinecone
pc = Pinecone(api_key="...")
index = pc.Index("my-index")
index.upsert(vectors=[
    {"id": "id1", "values": [0.1, 0.2, ...], "metadata": {"text": "..."}}
])
results = index.query(vector=[0.1, 0.2, ...], top_k=5)

🔮 Weaviate

Weaviate - Features Avançadas

✅ Prós:
- Hybrid search (vector + keyword)
- GraphQL API
- Módulos de ML integrados
- Self-hosted ou cloud
- Open source

❌ Contras:
- Mais complexo de configurar
- Curva de aprendizado maior

📊 Specs:
- Tipo: Self-hosted / Cloud
- Algoritmo: HNSW
- Preço: Grátis (self) / $25+/mês (cloud)

Melhor para: Projetos que precisam de hybrid search, GraphQL

# Exemplo
import weaviate
client = weaviate.Client("http://localhost:8080")
client.data_object.create(
    {"text": "conteúdo do documento"},
    class_name="Document"
)
results = client.query.get("Document", ["text"]).with_near_text(
    {"concepts": ["busca"]}
).with_limit(5).do()

⚡ Qdrant

Qdrant - Performance e Filtering

✅ Prós:
- Muito rápido
- Filtering avançado eficiente
- Rust (performance)
- Self-hosted ou cloud
- Open source

❌ Contras:
- Comunidade menor que Pinecone
- Menos integrações prontas

📊 Specs:
- Tipo: Self-hosted / Cloud
- Algoritmo: HNSW
- Preço: Grátis (self) / $25+/mês (cloud)

Melhor para: Alta performance, filtering complexo

# Exemplo
from qdrant_client import QdrantClient
client = QdrantClient("localhost", port=6333)
client.upsert(
    collection_name="docs",
    points=[
        {"id": 1, "vector": [0.1, 0.2, ...], "payload": {"text": "..."}}
    ]
)
results = client.search(
    collection_name="docs",
    query_vector=[0.1, 0.2, ...],
    limit=5
)

🐘 pgvector

pgvector - PostgreSQL Extension

✅ Prós:
- Usa Postgres existente
- SQL familiar
- Transações ACID
- Sem novo serviço para gerenciar

❌ Contras:
- Não escala tão bem quanto especializados
- Performance inferior em scale

📊 Specs:
- Tipo: PostgreSQL extension
- Algoritmo: IVFFlat / HNSW
- Preço: Custo do Postgres

Melhor para: Já usa Postgres, quer simplicidade

# Exemplo
-- Criar extensão
CREATE EXTENSION vector;

-- Criar tabela
CREATE TABLE documents (
  id SERIAL PRIMARY KEY,
  content TEXT,
  embedding VECTOR(1536)
);

-- Buscar similares
SELECT * FROM documents
ORDER BY embedding <=> '[0.1, 0.2, ...]'
LIMIT 5;

Comparativo de Performance

Benchmark com 1 milhão de vetores (1536 dims):

Query Latency (p99):
- Pinecone:  ~20ms
- Qdrant:    ~25ms
- Weaviate:  ~30ms
- Chroma:    ~50ms
- pgvector:  ~100ms

Nota: Valores aproximados, variam com config.

Throughput (queries/segundo):
- Pinecone:  ~1000 qps
- Qdrant:    ~800 qps
- Weaviate:  ~500 qps
- Chroma:    ~200 qps
- pgvector:  ~100 qps

Comparativo de Preços

Qual Escolher?

FLOWCHART DE DECISÃO:

Está prototipando?
├── Sim → Chroma
└── Não → Continue...

Já usa PostgreSQL e quer simplicidade?
├── Sim → pgvector
└── Não → Continue...

Precisa de managed service?
├── Sim → Pinecone ou Weaviate Cloud
└── Não → Continue...

Precisa de hybrid search?
├── Sim → Weaviate
└── Não → Continue...

Precisa de máxima performance?
├── Sim → Qdrant
└── Não → Pinecone (mais fácil)

RESUMO:
- Começando: Chroma
- Produção simples: Pinecone
- Produção avançada: Weaviate ou Qdrant
- Já usa Postgres: pgvector

Migração entre Databases

# Todos usam conceitos similares, migração é relativamente fácil

# Padrão comum:
1. Gerar embeddings com mesmo modelo
2. Extrair vetores do banco atual
3. Inserir no novo banco

# Dica: Use abstração do LangChain
from langchain.vectorstores import Chroma, Pinecone, Weaviate

# Trocar é só mudar a classe:
# vectorstore = Chroma.from_documents(...)
vectorstore = Pinecone.from_documents(...)