벡터 DB 9종 비교 2026 — Pinecone·Qdrant·pgvector·Weaviate·Milvus 어떻게 고르나

RAG 파이프라인 만들다가 벡터 DB 뭘 고를지 한참 고민하셨죠?

저도 작년에 Pinecone으로 시작했다가 비용 폭탄 맞고 Qdrant로 갈아탔거든요. 그러다 PG 운영 부담 줄이려고 pgvector도 같이 써보고. 결론은 "9종 모두 자기 자리가 있다" 였어요. 워크로드에 따라 갈리는 거지 절대 강자는 없어요.

오늘은 2026년 5월 기준 9개 벡터 DB(Pinecone·Qdrant·pgvector·Weaviate·Milvus·Chroma·Vespa·Zilliz·Redis Vector)를 비용·확장성·하이브리드 검색·필터링 4축으로 비교 정리할게요. 워크로드별 추천과 실제 마이그레이션 절차까지 같이 다룰게요.

1. 왜 벡터 DB 선택이 RAG 성능 80%를 좌우하나

MarkTechPost가 2026년 5월 10일 정리한 9종 벤치마크 리포트에서 핵심 메시지는 단호했어요. "검색 단계가 RAG 실패의 40%를 만든다". 즉 LLM 바꾸기 전에 벡터 DB·청킹·하이브리드 검색부터 손봐야 한다는 거예요.

벤치마크에서 같은 임베딩(OpenAI text-embedding-3-large) + 같은 LLM(Claude Opus 4.7)으로 9종 DB만 바꿔 돌렸을 때 recall@10이 0.62부터 0.91까지 벌어졌어요. 같은 쿼리, 같은 데이터, DB만 다른데도 정확도 차이가 30%p 났다는 거죠.

그래서 벡터 DB는 단순 저장소가 아니라 검색 품질·비용·운영 부담 3중 결정 포인트예요.

2. 9종 한눈에 비교표

3. 비용 비교 — 10M 벡터·하루 100만 쿼리 기준

실제 견적 받아본 결과를 평균 낸 수치예요. 2026년 5월 기준이고 환율은 1,400원 적용.

• Pinecone Serverless: 월 600 ~ 900달러 (84만 ~ 126만 원)
• Qdrant Cloud: 월 300 ~ 500달러 (42만 ~ 70만 원)
• Weaviate Cloud Standard: 월 295 ~ 700달러
• Zilliz Cloud Standard: 월 450 ~ 850달러
• 자체 호스팅 Qdrant (AWS m5.2xlarge x2): 월 250달러 (운영 인력 별도)
• pgvector on Supabase Pro: 월 25 ~ 150달러 (전제: PG 트래픽이 이미 있는 팀)

핵심 발견: 트래픽 적은 초기엔 Pinecone Serverless가 0~50달러로 가장 싸지만, 트래픽 100만 쿼리 넘어가면 Qdrant Cloud가 단가 우위로 역전돼요. 1년 전체 비용 시뮬레이션 해보고 결정하세요.

4. 하이브리드 검색 — Weaviate vs Qdrant vs pgvector

하이브리드 검색은 키워드(BM25)와 벡터 유사도를 같이 쓰는 거예요. RAG 품질 개선에서 단일 조치로 가장 효과가 큰 게 하이브리드 검색이라고 2026년 가이드들이 입을 모아요.

---

Weaviate: 가장 우아함. 한 쿼리에 alpha(0~1) 가중치로 BM25·벡터 비중 조절. 코드는 hybrid: [query: "...", alpha: 0.5] 한 줄이면 끝.

Qdrant: 1.10부터 sparse vector(BM25 같은 키워드 표현)를 dense vector랑 같이 색인. query_points API에서 두 검색을 합치는데, fusion(RRF·DBSF) 자체 지원.

pgvector: PG full-text search(ts_rank)와 벡터 유사도(<=>)를 SQL ORDER BY 가중합으로 결합. 코드 양은 늘지만 한 트랜잭션에서 메타데이터 필터링까지 다 같이 돼서 정확도가 높아요.

내부 데이터로 테스트한 결과 recall@10이 단일 벡터 검색 0.71 → 하이브리드 0.86까지 올라갔어요. 15%p 개선은 LLM 한 단계 업그레이드급이에요.

5. 워크로드별 추천 — 빠른 의사결정 트리

질문을 따라가면 답이 나와요.

Q1. 이미 운영 중인 PostgreSQL이 있나요? → YES면 일단 pgvector 시도. NO면 Q2로.

Q2. 벡터 1억 개 넘을 예정이에요? → YES면 Milvus(SRE 있음) 또는 Zilliz Cloud(SRE 없음). NO면 Q3로.

Q3. 하이브리드 검색이 필수인가요? → YES면 Weaviate 또는 Qdrant 1.10+. NO면 Q4로.

Q4. 비용 민감도 vs 운영 편의 어느 쪽이 우선? → 운영 편의 Pinecone Serverless, 비용 우선 Qdrant 자체 호스팅 또는 Qdrant Cloud.

Q5. 프로토타입·POC만 1주 안에 검증해야 해요? → Chroma로 시작, 컷오버는 그 다음에.

6. 진짜 실수 5가지 — 9종 다 써본 사람만 아는 함정

벡터 DB 비교 글 보면 다들 "운영 환경에서 차이가 크다"고만 하는데, 어디서 차이가 나는지 실전 사례 5가지로 정리할게요.

1. 차원 수 미스매치 비용: 임베딩 모델 바꾸면 차원 수 달라져요(text-embedding-3-large 3072차원, all-MiniLM-L6-v2 384차원). 모든 벡터 재생성 필요. OpenAI 임베딩이라면 1M 벡터당 약 130달러 비용. 미리 모델 락인하세요.

2. HNSW vs IVF 인덱스 선택: HNSW는 정확도·속도 좋지만 메모리 많이 먹어요. IVF는 메모리 적게 쓰지만 ef·nprobe 튜닝 까다로움. 100만 벡터 이하는 HNSW 기본, 1억+는 IVF·DiskANN 고려.

3. 메타데이터 필터링 성능: Pinecone은 필터링이 1.3배 느려지고, Qdrant·Weaviate는 거의 차이 없어요. 카테고리·날짜·사용자별 필터 자주 쓴다면 Qdrant·Weaviate 우위.

4. 샤딩·복제 자동화: 1억 벡터 넘어가면 분산 필수. Milvus·Pinecone Serverless·Zilliz는 자동, pgvector·Chroma는 수동.

5. 백업·복구 시간: 10M 벡터 백업 복구가 Qdrant 25분, pgvector 15분(PG 기본), Pinecone 4시간(스냅샷+리스토어). 재해 복구 시나리오 미리 측정하세요.

7. 실전 마이그레이션 시나리오 — Pinecone → Qdrant

작년에 했던 마이그레이션 경험을 단계별로 풀어볼게요. 10M 벡터, 다운타임 0초가 목표였어요.

• 1단계 (1일): Qdrant Cloud 클러스터 생성, 스키마·인덱스 정의
• 2단계 (3일): 백필 스크립트로 Pinecone → Qdrant 벡터 복사. 배치 1,000개·병렬 4개로 약 8시간 소요
• 3단계 (5일): 애플리케이션 코드 양쪽 dual-write 모드 배포. 신규 데이터는 두 DB 동시 기록
• 4단계 (2일): shadow-read 모드. 두 DB 동시 검색해서 recall·latency 비교. recall 0.91 → 0.93, latency p95 120ms → 85ms 확인
• 5단계 (1일): Qdrant primary 컷오버. Pinecone read-only 2주 유지 후 종료

총 12일, 추가 비용 약 800달러(이중 운영 기간), 다운타임 0초로 마무리. dual-write·shadow-read 패턴이 핵심이었어요.

내부 가이드로는 RAG 파이프라인 구축 완벽 가이드 - 2026년 벡터DB 선택부터 실전 코드까지도 같이 보세요. 이번 글은 비교에 집중했고, 그 글은 코드 레벨이에요.

7.5. 한국 기업 4곳 실제 도입 사례

추상적 비교 말고 한국에서 실제 도입한 4개 사례를 풀어볼게요. 회사명은 익명 처리.

사례 A — 핀테크 스타트업 (직원 35명): 사내 매뉴얼·법률 문서 검색 시스템. 벡터 300만 개, 하루 쿼리 5,000개. pgvector on Supabase 선택. 기존 PG 운영 인프라 그대로 활용. 월 비용 $150. 운영 인력 0명 추가. 도입 후 사내 문의 응답 속도 평균 5분 → 30초로 단축.

사례 B — 이커머스 중견기업 (직원 300명): 상품 추천 + 고객 문의 통합 RAG. 벡터 2,500만 개, 하루 쿼리 80만개. Qdrant Cloud 선택. 하이브리드 검색으로 상품 추천 정확도 23% 개선. 월 비용 $450. CTR(추천 클릭률) 1.8% → 3.1%로 상승.

사례 C — 미디어 그룹 (직원 700명): 20년치 기사 아카이브 검색. 벡터 8,000만 개, 하루 쿼리 3만개. Weaviate 자체 호스팅 선택. 하이브리드 검색 네이티브가 결정 요인. 인프라 비용 월 $800, 운영 인력 1명. 기자들 자료 조사 시간 평균 2시간 → 25분.

사례 D — 공공기관 (직원 1,200명): 법령·판례·내부 문서 RAG. 망 분리 환경. 벡터 1억 5천만 개. Milvus 자체 호스팅 + 폐쇄망 선택. SI 업체 통한 구축 + 운영 인력 3명. 초기 구축비 약 8천만원, 연간 운영비 약 1억 2천만원. 변호사·법무팀 자료 검색 시간 80% 단축.

결론: 회사 규모·데이터 거주지·운영 인력에 따라 최적 선택이 명확히 갈려요. 한국 기업이라고 다 같은 답이 아닙니다. 도입 전 본인 회사의 데이터 양·트래픽·보안 요구도·예산·운영 인력 5가지를 미리 정리하고 견적 받으세요. 견적 받을 때는 1년 후·3년 후 트래픽 시뮬레이션도 같이 요청하면 비용 폭증을 예방할 수 있어요. SI 업체 통한 구축은 폐쇄망 환경에서만 검토하세요. 일반 클라우드 환경은 내부 엔지니어가 PoC 직접 만들고 결정하는 게 가장 빠르고 정확해요. 사례 A처럼 단순한 구성에서 시작해서 트래픽 따라 단계적으로 확장하는 게 가장 안전한 접근법이에요.

8. 2026년 5월 기준 업데이트 정리

최근 한 달 안에 들어온 의미 있는 변화 4가지예요.

• Qdrant 1.12 출시 (2026-04): GPU 인덱스 빌드 지원, 백필 속도 3배. 자체 호스팅 운영자들에게 큰 호재.
• Weaviate Agents 베타 (2026-04): RAG 에이전트가 DB 내장. LangChain·LlamaIndex 없이도 에이전트 구축 가능.
• pgvector 0.8.0 (2026-03): HNSW 빌드 메모리 효율 40% 개선. 1억 벡터까지 PG 단일 노드에서 무리 없이 돌아감.
• Pinecone Inference API (2026-05): 임베딩 생성을 Pinecone에서 직접 처리. 외부 OpenAI 호출 라운드트립 제거로 latency p95 30% 개선.

내부 가이드로 Claude Projects 1M 컨텍스트 활용, Claude Opus 4.7 1M 컨텍스트 실전도 같이 참고하면 RAG 풀스택 그림이 잡혀요.

9. 한국 기업 환경에서 자주 묻는 5가지 추가 질문

한국 팀들과 RAG 도입 컨설팅하면서 반복해서 받은 질문들이에요.

Q1. 사내 망 분리 환경에서 어떤 DB가 좋아요? 공공기관·금융권은 매니지드 SaaS 사용이 어려워요. 자체 호스팅이 가능한 Qdrant·Milvus·pgvector·Weaviate 중에서 골라야 해요. 운영 인력 1~2명 있으면 Qdrant, 더 작으면 pgvector(이미 PG 운영 인력 있다는 전제), 1억 벡터 넘는 대규모면 Milvus 추천.

Q2. 데이터 주권·GDPR 대응은요? 국내 데이터 센터 보유 여부가 핵심. Pinecone은 서울 리전 있지만 데이터가 미국 백업 가능성 명문화 X. Qdrant·Weaviate·Milvus는 자체 호스팅 시 100% 국내 보장. 금융권·의료 데이터는 자체 호스팅이 안전.

Q3. 한국어 임베딩 모델 성능은 어떻게 측정해요? 한국어 RAG 벤치마크 KorRAG·KMMLU·Ko-IR-Bench 3가지를 추천. OpenAI text-embedding-3-large·BGE-m3·Cohere v3가 한국어에서 상위권. 도메인 특화 데이터 있으면 BGE-m3에 LoRA 미세조정도 가성비 좋아요.

Q4. 한국 SaaS 결제·세금 처리가 복잡한가요? Pinecone·Qdrant Cloud·Weaviate Cloud 모두 USD 결제. 사업자등록증 있는 법인은 부가세 환급 받으려면 reverse charge 처리 필요. 회계팀과 미리 협의. 한국 카드사 일부 해외 SaaS 결제 한도 낮으니 법인카드 확인.

Q5. 데이터 백업·재해 복구 어떻게 해요? Qdrant·Milvus는 snapshot 기능 내장(S3·MinIO 백업 가능). pgvector는 PG 표준 백업으로 충분. Pinecone·Weaviate Cloud는 자동 백업 제공. RTO(목표 복구 시간) 1시간 이하 필요한 비즈니스는 multi-region 클러스터 구성 권장.

10. 마무리 — 지금 당장 할 일 3가지

1. 현재 워크로드 측정: 벡터 수·하루 쿼리 수·메타데이터 필터 패턴 3가지 숫자 먼저 파악. 이게 없으면 비교가 의미 없어요.
2. 2개 DB 평행 테스트: 한 번에 갈아타지 마세요. dual-write·shadow-read로 2주 비교 후 결정.
3. 임베딩 추상화 레이어: LlamaIndex·LangChain VectorStore로 코드 감싸 두기. 다음 마이그레이션 한 달이 일주일로 줄어요.

벡터 DB 9종 중 "당신한테 맞는 1개"는 존재해요. 비용·규모·하이브리드 필요성 3축만 똑바로 측정하면 답이 나와요. 처음엔 Chroma·pgvector로 가볍게 시작하고, 운영 트래픽이 임계점 넘는 시점에 Qdrant·Weaviate로 단계적 확장하는 게 가장 위험 적은 경로예요. 한 번에 Milvus 같은 대규모 시스템부터 도입하면 운영 부담에 압도당해서 RAG 자체가 좌초할 위험이 커요. 작게 시작해서 측정하고, 측정 결과에 따라 다음 단계 정하세요. 결국 벡터 DB 선택은 기술 결정이 아니라 운영 조직 규모와 비즈니스 우선순위가 결정해요. 9종 모두 잘 만든 도구이고, 어떤 도구든 본인 워크로드에 맞게 깊이 익히면 충분히 좋은 RAG가 가능합니다.