Vector database, AI uygulamalarının sessiz altyapısı. Embedding'leri (yüksek boyutlu sayısal vektörler) saklar ve benzerlik sorgusu yapar. RAG, semantic search, recommendation, anomaly detection için olmazsa olmaz.
Vector database neden gerekli?
Klasik database (Postgres, MySQL) keyword match yapar — "merhaba" ile "selam" eşleşmez. Vector database semantic match — "sıcak tutan mont" araması "polar, kürk astar" ürünü bulur. Embedding ile anlamsal yakınlık ölçülür.
Ana seçenekler
Pinecone — managed cloud lider
Tam yönetilen hizmet. Setup 5 dakika, ölçek otomatik. Free tier 1 pod (~5M vector). Aylık $70-700+ production. Geliştirici dostu API. En kullanıcı dostu giriş kapısı.
Chroma — açık kaynak yıldız
Tamamen ücretsiz, lokal veya self-host. Python ile entegrasyon LangChain/LlamaIndex'te native. KOBİ + prototip için ideal. Hosted versiyon Chroma Cloud 2024 sonu çıktı.
Qdrant — Rust performansı
Açık kaynak + cloud. Rust ile yazılmış — performans en iyilerinden. Filterli arama (metadata ile) hızlı. Aylık $25 başlangıç cloud, self-host ücretsiz.
Weaviate
Açık kaynak, hybrid search (vector + keyword). GraphQL API. Cloud + self-host. Module sistemi ile özelleştirilebilir.
pgvector (PostgreSQL extension)
Mevcut PostgreSQL'inize ekle. Ek altyapı yok. <10M vector için yeterli performans. Devs Postgres bildiği için sürtünmesiz benimsetir.
Milvus
Enterprise + büyük ölçek (100M+ vector). Karmaşık setup. Zilliz cloud versiyonu mevcut.
Performans benchmark (ortalama)
- Query latency (1M vector)
- Pinecone ~30ms, Qdrant ~25ms, Chroma ~45ms, pgvector ~80ms
- Insert throughput
- Pinecone 10K/s, Qdrant 15K/s, Chroma 8K/s
- Memory verimliliği
- Qdrant en iyi (Rust), Chroma orta
- Setup time
- Pinecone 5dk, Chroma 10dk, Qdrant 15dk, Milvus 45dk+
Hangisini seç?
- Hızlı başlangıç, managed
- Pinecone
- Açık kaynak + prototip
- Chroma
- Performans + filter
- Qdrant
- Hybrid search
- Weaviate
- Mevcut Postgres
- pgvector
- 100M+ vector, enterprise
- Milvus / Zilliz
Embedding boyutu — fiyat ve kaliteyi etkiler
- OpenAI ada-002 (eski)
- 1536 dim
- OpenAI 3-small
- 1536 dim (configurable)
- OpenAI 3-large
- 3072 dim (configurable)
- Cohere v3
- 1024 dim
- BGE-large
- 1024 dim
Hybrid search — vector + keyword
Pure vector search bazı durumlarda yetmez — özel jargon, marka adı, ürün kodu ("iPhone 15 Pro Max") keyword match daha iyi. Hybrid search = vector benzerlik + BM25 keyword score birleştirir. Weaviate, Qdrant, Pinecone bunu native destekler.
Metadata filtering
"En son 30 günde yayınlanan + kategori = SEO + Türkçe yazıları ara" gibi filtreli aramalar metadata desteği gerektirir. Tüm modern vector DB destekler ama performans farkı var — Qdrant lider.
Maliyet örneği
10K doküman, 500K chunk, 1536-dim embedding. Pinecone Starter Free yeterli (5M vector kapasite). Aylık LLM API maliyeti $30-80 (kullanım). Toplam aylık < $100 tipik KOBİ RAG sistemi.
Şunu yapmayın: production'da Chroma in-memory mode kullanmak
Chroma'nın varsayılan in-memory mode prototip için OK, production değil. Persistent disk mode veya server mode kullan. Restart'ta data kaybı yaşamayın.
NotVector database + RAG mimarisi kurulumu: +90 537 729 40 97 (WhatsApp). 30 günlük pilot proje paketi.