Qdrant vs. pgvector: welches Vector-DB für dein RAG-Projekt?

Wer ein RAG-System baut, steht früh vor der Frage: dedizierte Vector-DB wie Qdrant, oder einfach PostgreSQL mit pgvector? Beide funktionieren – aber sie haben sehr unterschiedliche Stärken.

Kurzvergleich

Aspekt	Qdrant	pgvector
Setup-Aufwand	Eigener Container	Postgres-Extension
Performance bei über 1M Vektoren	Ausgezeichnet	OK mit IVFFlat/HNSW
Filterung über Metadaten	Sehr schnell (Payload-Index)	Mit SQL flexibel, aber langsamer
Hybride Suche (Vector + BM25)	Eingebaut	Manuell via tsvector
Reine Vector-Operationen	Optimiert	Auf Postgres aufgesetzt
Backups / Replikation	Eigene Mechanismen	Standard Postgres-Tooling
Operationskosten	Zweite DB	Nur Postgres

Wann Qdrant?

• Du brauchst schnelles Retrieval bei mehr als 5 Mio. Vektoren
• Du nutzt komplexe Payload-Filter (z.B. lang=de AND date>2025)
• Du willst hybride Suche out-of-the-box
• Du baust ein AI-natives Produkt und Vector-Search ist Kern

Wann pgvector?

• Du hast schon Postgres und willst keine zweite DB
• Dataset ist unter 1 Mio. Vektoren
• Operations-Team kennt Postgres, aber kein Qdrant
• Du brauchst transaktionale Konsistenz zwischen Vektoren und Metadaten

Performance-Hinweis aus der Praxis

In einem Projekt mit ~750k juristischen Dokument-Chunks lieferten beide DBs in unserem Setup vergleichbare Latenzen unter 50ms. Der Knackpunkt war nicht die DB, sondern:

1. Embedding-Modell (kleines vs. grosses Modell)
2. Chunk-Grösse (200 vs. 800 Tokens)
3. Hybrid-Strategy (RRF mit BM25 brachte +15% Recall@5)

Hybride Suche mit RRF

Wir kombinieren in Production Vector-Search mit BM25 via Reciprocal Rank Fusion:

def rrf(results_lists, k=60):
    scores = {}
    for results in results_lists:
        for rank, doc_id in enumerate(results):
            scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + rank)
    return sorted(scores.items(), key=lambda x: -x[1])

Bei Qdrant ist das eingebaut (prefetch + Fusion). Bei pgvector musst du tsvector-Suche und Vector-Suche separat laufen lassen und die Resultate selbst fusionieren.

Empfehlung

• Prototyp & unter 500k Vektoren: pgvector – einfacher, eine DB weniger
• Production & über 1 Mio. Vektoren + komplexe Filter: Qdrant
• Hybrid-Suche prioritär: Qdrant

Beide sind solide. Die DB ist selten der Engpass – Embedding-Modell, Chunking und Retrieval-Strategie haben grösseren Einfluss.