Vector DB para tu RAG: Pinecone vs Qdrant vs Weaviate vs pgvector
Comparativa neutral 2026 para elegir vector database según tu escala. pgvector como default para PyME, cuándo migrar y cómo se compara la operación de cada uno.
La conversación sobre vector databases en 2026 se simplificó: para la mayoría de las PyMEs chilenas, pgvector sobre el Postgres que ya tienes es suficiente, escalable y barato. Pinecone, Qdrant y Weaviate son las alternativas cuando la escala o las funcionalidades específicas lo justifican. Este artículo entrega la decisión basada en escala, con costos referenciales en CLP, casos típicos por tamaño de empresa, y la regla de oro que aplicamos en Cognitiva: empezar simple, migrar cuando los números lo digan, no antes.
¿Cuándo realmente necesitas un vector DB?
Antes de elegir cuál, vale preguntarse si lo necesitas. Un sistema RAG simple (búsqueda semántica sobre 50 documentos PDF para un asistente interno) puede funcionar perfectamente con embeddings en memoria + recálculo on-demand. Solo cuando el volumen crece o la latencia es crítica, el vector DB se justifica.
Tres señales de que es momento de adoptarlo:
- Más de 5.000 documentos o chunks indexados.
- Necesidad de latencia <500 ms en búsquedas.
- Más de una aplicación consume los mismos embeddings.
Si no se cumple ninguna, embeddings en memoria + búsqueda lineal son suficientes y mucho más simples de operar.
pgvector — el default para PyME que ya tiene Postgres
pgvector es una extensión de PostgreSQL que agrega un tipo `vector` y operadores de similitud (coseno, L2, dot product). Sin servidor adicional, sin lock-in: aprovecha la base de datos que la empresa ya tiene.
Fortalezas
- Cero servicios nuevos: corre dentro de tu Postgres.
- Backups, RBAC, auditoría: heredas todo lo que Postgres ofrece.
- Compatible con índices HNSW para latencias en milisegundos hasta millones de vectores.
- Costo marginal: usas la infraestructura que ya pagas.
- Datos en tu jurisdicción (relevante para Ley 21.719).
Debilidades
- A partir de decenas de millones de vectores, el rendimiento de HNSW empieza a tensionar.
- Búsqueda híbrida (vector + keyword) requiere combinar con full-text search nativo de Postgres; no es tan ergonómico como Weaviate.
- Sharding y replicación geográfica son del Postgres, no específicas para vectors.
- Funciones avanzadas (filtros por metadata, reranking) requieren código vs configuración.
Qdrant — rendimiento y self-host friendly
Qdrant es vector DB nativo escrito en Rust, con foco en rendimiento, filtros por metadata ricos y operación self-hosted simple. En benchmarks 2026, suele liderar en latencia y QPS.
Fortalezas
- Mejor rendimiento por QPS y latencia en benchmarks independientes.
- Self-hostable con Docker en minutos.
- Filtros por metadata potentes y rápidos.
- Cloud managed con regiones configurables.
Debilidades
- Servicio adicional que mantener si se autogestiona.
- Ecosistema más chico que Pinecone (menos integraciones SaaS).
- Búsqueda híbrida es funcional pero menos pulida que Weaviate.
Weaviate — búsqueda híbrida y módulos integrados
Weaviate destaca por su sistema de módulos (transformación de texto a vector, búsqueda híbrida BM25+vector, reranking) que entrega "RAG en una caja". Útil cuando la empresa prefiere consumir capacidades en vez de orquestarlas.
Fortalezas
- Búsqueda híbrida (BM25 + vector) nativa y bien diseñada.
- Módulos para transformar texto a vector en el servidor (sin separar pipeline).
- GraphQL API ergonómica para queries complejas.
- Cloud managed con SLA enterprise.
Debilidades
- Latencia mayor que Qdrant en cargas de QPS alto.
- Recursos (RAM, CPU) más demandantes.
- Modelo de módulos puede generar lock-in si se usa profundo.
Pinecone — managed con simplicidad ops
Pinecone es el más conocido por su modelo SaaS managed. Eliminas operación: creas un índice, subes vectores, consultas. A cambio, lock-in al proveedor y costo por mes según escala.
Fortalezas
- Operación cero: no hay servidor que mantener.
- Documentación y ecosistema extensos.
- SLA enterprise y soporte 24/7 en planes altos.
- Pricing predecible por cantidad de vectores y QPS.
Debilidades
- Costo más alto a escala vs alternativas self-hosted.
- Datos en infraestructura Pinecone (jurisdicción configurable solo en planes enterprise).
- Lock-in al proveedor: migración requiere re-embedding y reindexación.
- Búsqueda híbrida menos pulida que Weaviate.
Tabla comparativa 2026
| Dimensión | pgvector | Qdrant | Weaviate | Pinecone |
|---|---|---|---|---|
| Tipo | Extensión Postgres | Servicio nativo | Servicio nativo | SaaS managed |
| Hosting | Tu Postgres | Self-host o cloud | Self-host o cloud | Cloud only |
| Datos en tu jurisdicción | Sí | Sí (self-host) | Sí (self-host) | Configurable |
| Escala práctica | < 50M vectores | < 500M vectores | < 500M vectores | Sin límite real |
| Latencia típica | < 50 ms | < 20 ms | < 50 ms | < 30 ms |
| Búsqueda híbrida | Manual (vector + FTS) | Funcional | Excelente | Limitada |
| Costo PyME ~100k vectores | CLP 0 marginal | CLP 0 self-host | CLP 0 self-host | ~CLP 60.000/mes |
| Costo mediano ~10M vectores | CLP 0 marginal | ~CLP 80.000/mes (cloud) | ~CLP 100.000/mes (cloud) | ~CLP 350.000/mes |
| Operación | Baja (Postgres) | Media | Media-alta | Cero |
Las cifras son referenciales a junio 2026 y varían por configuración. Para Pinecone, los planes free tier o starter no son compatibles con Ley 21.719 para datos personales.
Decisión por escala — la regla práctica
Regla de los millones que aplicamos en Cognitiva:
- Menos de 1 millón de vectores: pgvector. Sin excepciones razonables.
- Entre 1 y 50 millones: pgvector sigue siendo viable. Migrar solo si la latencia o la búsqueda híbrida lo justifican.
- Entre 50 y 500 millones: Qdrant (rendimiento) o Weaviate (búsqueda híbrida).
- Más de 500 millones o requisitos de cero-ops: Pinecone enterprise o solución especializada.
La sobre-ingeniería temprana en vector DB es uno de los errores más caros que vemos: empresas que arrancan con Pinecone "porque es lo más nombrado" y luego cargan costos mensuales innecesarios durante 18 meses.
Migración cuando creces
Migrar de pgvector a Qdrant o Weaviate cuando la escala lo amerita es un proyecto de 1-3 semanas para un equipo familiarizado. Pasos clave:
- Exportar vectores y metadata desde Postgres.
- Crear colección en el nuevo DB con dimensiones y métrica de similitud equivalentes.
- Importar y validar (recuperar 100 documentos y comparar resultados con la fuente).
- Cambiar el cliente del agente al nuevo DB (Vercel AI SDK abstrae bien esta capa).
- Operar en paralelo 1-2 semanas para comparar latencia y calidad.
- Decomisionar el vector store anterior.
Si la migración se planifica desde el día uno (separando el cliente vector de la lógica del agente), el switch es de horas. Si está acoplado, semanas.
Preguntas frecuentes
Da el siguiente paso
Hablemos
Cuéntanos sobre tu negocio. Respondemos en 24 horas.
Otros canales
Escríbenos por WhatsApp o agenda una llamada de 30 minutos.