Vector Database 選型：Pinecone、Weaviate、Qdrant、Vectorize 怎麼選

向量資料庫是 RAG 系統的核心基礎設施。選型時，大多數人先看 benchmark（ANN 搜尋速度、recall@K），但實際上決定選哪個的通常是：部署平台、規模需求、已有的技術棧。

Pinecone

定位：最成熟的托管向量資料庫，SaaS 模式。

核心特性：

• 完全托管，不需要維運
• Serverless tier：按查詢量計費，適合早期專案
• Pod-based tier：固定容量，適合大規模穩定流量
• Namespace 機制：同一個 index 下的邏輯隔離
• 支援 Metadata 過濾（搜尋時 filter）

適合場景：

• 快速啟動，不想維運基礎設施
• 文件數量大（百萬以上）
• 已在 AWS 生態系

限制：

• 閉源，資料在 Pinecone 的伺服器（EU 合規需要特別處理）
• Serverless tier 有 cold start 問題
• 跨雲延遲（不在 Cloudflare 網路）

---

Weaviate

定位：開源向量資料庫，功能最豐富，有托管版（Weaviate Cloud）。

核心特性：

• GraphQL 查詢介面，支援複雜的混合查詢
• 內建 Hybrid Search（BM25 + 向量，原生支援）
• 模組系統：plug-in vectorizer（直接在資料庫內 embed）
• 多租戶支援
• 支援 Named Vectors（同一個物件多個向量，用於不同語言或模態）

適合場景：

• 需要原生 Hybrid Search
• 需要複雜的結構化 + 語義查詢
• 可以自架或接受托管費用

限制：

• 自架有一定維運成本（需要 Kubernetes 或 Docker）
• SDK 學習曲線比 Pinecone 高
• 托管版價格較貴

---

Qdrant

定位：Rust 編寫的高效能開源向量資料庫，自架友善。

核心特性：

• 高效能，記憶體使用效率高
• 支援 Payload（metadata）過濾，語法靈活
• Sparse Vector 支援（SPLADE 可以直接在 Qdrant 用）
• Quantization（向量量化，降低記憶體使用）
• 支援多向量（類似 ColBERT 的 multi-vector）

適合場景：

• 自架，希望完全控制基礎設施
• 記憶體資源有限，需要量化
• 需要 Sparse Vector 支援（SPLADE）

限制：

• 托管版（Qdrant Cloud）相對較新，成熟度不如 Pinecone
• 中文文件和社群較少

---

Chroma

定位：最輕量的開源向量資料庫，適合本地開發和小規模部署。

核心特性：

• 嵌入式模式（單一 Python process，無需獨立服務）
• 極易上手，幾行程式碼就能跑
• 支援 Server 模式（可以部署成獨立服務）

適合場景：

• 本地開發和 PoC
• 小規模（幾萬文件以內）
• 快速驗證 RAG 概念

限制：

• 大規模效能不佳
• 功能相對簡單，Metadata 過濾能力有限
• Production 大規模使用案例少

---

Cloudflare Vectorize

定位：Cloudflare Workers 原生的向量資料庫，與 Workers 深度整合。

核心特性：

• Workers 原生：在 Workers 內直接呼叫，低延遲
• 與 Workers AI 整合（在同一個請求內做 embed + search）
• Metadata 過濾
• Namespace 支援

// Workers 內直接用，沒有跨服務呼叫
const results = await env.VECTORIZE.query(queryVector, {
  topK: 20,
  filter: { crag_id: { $eq: "longtung" } },
  returnValues: false,
  returnMetadata: "all",
});

適合場景：

• 部署在 Cloudflare Workers 上的 RAG 系統
• 文件數量中等（幾萬到幾十萬）
• 希望最簡化的架構（不需要獨立的向量資料庫服務）

限制：

• 只在 Cloudflare 生態系內用
• 功能相對基礎（ANN 搜尋、Metadata 過濾，無原生 Hybrid Search）
• 大規模（百萬以上文件）效能需要評估

---

比較總結

	Pinecone	Weaviate	Qdrant	Chroma	Vectorize
開源	❌	✅	✅	✅	❌
自架	❌	✅	✅	✅	❌（CF 專屬）
Hybrid Search	需自實作	✅ 原生	需自實作	❌	需自實作
Sparse Vector	❌	✅	✅	❌	❌
大規模效能	⭐⭐⭐	⭐⭐⭐	⭐⭐⭐	⭐	⭐⭐
上手難度	低	中	中	最低	低（在 CF 環境）
月費（中等規模）	$70+	$25+	$9+	自架免費	Cloudflare 計費

選型決策框架

部署在 Cloudflare Workers？
  → 是 → Vectorize（架構最簡單）

需要自架（資料主權、成本控制）？
  → 是 → Qdrant（效能好，Rust 編寫）
         Weaviate（需要 Hybrid Search 或複雜查詢）

SaaS，不想維運？
  → 規模小 → Chroma（本地開發） or Pinecone Serverless
  → 規模大 → Pinecone Pod-based

需要 Sparse Vector（SPLADE）？
  → Weaviate 或 Qdrant

NobodyClimb 選擇 Cloudflare Vectorize 的原因很簡單：系統部署在 Cloudflare Workers，用 Vectorize 讓 embed + search 都在同一個 Cloudflare 網路內，沒有跨服務的網路延遲，架構也最簡單。

整體來說

向量資料庫的選型，70% 是由部署平台和規模決定的，30% 才是功能特性的比較。在 Cloudflare Workers 上，Vectorize 是自然選擇；在 AWS 上，Pinecone 有地利優勢；需要自架完全控制，Qdrant 是最成熟的開源選項。

不要在「哪個 benchmark 最高」上花太多時間，先確認你的部署環境和規模，再做選型。

---

參考資料

• ANN Benchmarks - Benchmarking Nearest Neighbor Search
• A Comprehensive Survey on Vector Database (arXiv:2310.11703)
• Pinecone Documentation
• Weaviate Documentation
• Qdrant Documentation
• Chroma Documentation
• Cloudflare Vectorize Documentation
• NobodyClimb 系統架構：Cloudflare 全端攀岩社群平台
• NobodyClimb AI 架構：20 節點 RAG Pipeline