--- title: "Porovnanie vektorových databáz: Pinecone, Weaviate, Qdrant, Milvus, pgvector a spol. v enterprise teste" description: "Porovnanie vektorových databáz hodnotí vektorové databázy podľa hostingu, škálovania, filtrovania metadát, hybridného vyhľadávania, konzistencie, nákladov a vyspelosti." locale: "sk" canonical: "https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/porovnanie-vektorovych-databaz" category: "AI agenti" topic: "RAG systémy vysvetlené" updated: "2026-10-17T15:32:39.492Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Porovnanie vektorových databáz: Pinecone, Weaviate, Qdrant, Milvus, pgvector a spol. v enterprise teste Porovnanie vektorových databáz hodnotí vektorové databázy podľa hostingu, škálovania, filtrovania metadát, hybridného vyhľadávania, konzistencie, nákladov a vyspelosti. V enterprise prostredí regiónu DACH je voľba v roku 2026 v prvom rade rozhodnutím o suverenite a GDPR: pgvector pokrýva väčšinu prípadov pod približne 50 miliónmi vektorov, Qdrant platí za šampióna z regiónu DACH. ## Na prvý pohľad - Voľba vektorovej databázy je v enterprise prostredí regiónu DACH v roku 2026 v prvom rade rozhodnutím o suverenite a GDPR, až potom čisto otázkou výkonu. - Pre väčšinu projektov stredných podnikov pod približne 10 až 50 miliónmi vektorov postačuje pgvector 0.8+ na existujúcom Postgrese u IONOS, STACKIT, OTC alebo Hetzner. - Qdrant (Berlín, Apache 2.0) je s Hybrid Cloud na STACKIT najatraktívnejšou topológiou s dedikovanou vektorovou DB pre regulované workloady v regióne DACH. - Pinecone ponúka regióny EÚ, ale žiadny self-hosting. Pre regulované dáta neprichádza do úvahy, pre necitlivé workloady je obhájiteľný so zmluvnou sovereign-exit klauzulou (stav 2026). - Podľa štúdie Anthropic o Contextual Retrieval znižujú chunky obohatené o kontext spolu s hybridným vyhľadávaním a rerankerom chybovosť pri vyhľadávaní o 67 %; bez obohatenia o kontext ju hybridné vyhľadávanie s rerankerom zníži približne o 39 %. - SAP HANA Cloud Vector Engine je štandardom pre dáta uložené v SAP; neštruktúrované dokumenty patria do doplnkovej vektorovej DB. Porovnanie vektorových databáz hodnotí vektorové databázy podľa kritérií hosting, škálovanie, filtrovanie metadát, hybridné vyhľadávanie, konzistencia, náklady a vyspelosť. V enterprise prostredí regiónu DACH je voľba správnej vektorovej databázy v roku 2026 v prvom rade rozhodnutím o suverenite a [GDPR](https://blckalpaca.at/sk/slovnik/gdpr) v inžinierskom šate. Pre väčšinu projektov pod približne 50 miliónmi vektorov postačuje pgvector na existujúcom Postgrese; Qdrant platí za šampióna z regiónu DACH pre dedikované požiadavky. Nasledujúce tri rýchle odpovede zhŕňajú hlavné závery pre rozhodovateľov: - **Suverenita poráža benchmark.** O architektúre v regióne DACH nerozhodujú surové QPS ani recall@10. Rozhoduje otázka „kde ležia embeddingy, kto k nim má prístup a dá sa stack presunúť on-prem“. - **pgvector je predvolená voľba pre stredné podniky.** Približne do 10 až 50 miliónov vektorov je pgvector na suverénnom spravovanom Postgrese (IONOS, STACKIT, OTC) prevádzkovo najjednoduchší a z pohľadu GDPR najmenej rizikový. Ak Postgres prevádzkuješ sám, napríklad na serveroch Hetzner, dostaneš rovnakú architektúru s vyššou prevádzkovou náročnosťou. - **Qdrant Hybrid Cloud na STACKIT** je najatraktívnejšia topológia s dedikovanou vektorovou DB pre regulované workloady, pretože dátová rovina zostáva v perimetri zákazníka. ## Prečo je voľba vektorovej databázy rozhodnutím o suverenite Vrstva vektorovej DB sa v roku 2026 na úrovni [API](https://blckalpaca.at/sk/slovnik/api) do veľkej miery stala komoditou: HNSW je k dispozícii všade, hybridné vyhľadávanie je povinnosťou a [multimodálne postupy (ColPali, ColQwen)](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/embedding-modelle-vergleich) sú novou frontou. Skutočné rozdiely preto spočívajú v štyroch bodoch: pozícia z hľadiska suverenity a nasaditeľnosť, kvalita hybridného vyhľadávania v nemčine so zloženými slovami a odborným jazykom, multimodálna podpora dokumentov s obrázkami a prevádzková vyspelosť v rozsahu od 10 do viac ako 100 miliónov vektorov. Tri štrukturálne posuny si vynucujú tento pohľad. Po prvé, režim prenosu dát medzi EÚ a USA je nestabilný; rozsudok Súdneho dvora EÚ C-413/23 P zo 4. septembra 2025 (EDPS/SRB, [tlačová správa Súdneho dvora EÚ](https://curia.europa.eu/site/upload/docs/application/pdf/2025-09/cp250107en.pdf)) objasnil, že pseudonymizované údaje nie sú automaticky osobnými údajmi pre každého príjemcu, no dozorné orgány v regióne DACH naďalej považujú embeddingy odvodené z osobných údajov za údaje v pôsobnosti GDPR. Po druhé, vrstva suverénnych cloudov dozrela (STACKIT, IONOS, OTC, SAP Sovereign Cloud, Delos, [AWS European Sovereign Cloud](https://aws.amazon.com/blogs/aws/opening-the-aws-european-sovereign-cloud/) od 14. januára 2026). Po tretie, každý engine bez seriózneho riešenia pre self-hosting alebo on-prem sa pre regulované workloady v regióne DACH štrukturálne diskvalifikuje. ## Hodnotiace kritériá pre porovnanie vektorových databáz Nasledujúce kritériá štruktúrujú každé seriózne enterprise porovnanie: - **Hosting a región EÚ:** spravovaný cloud, self-hosting na vlastnom Kubernetes alebo suverénny cloud v regióne DACH. Rozhodujúca je jurisdikcia, nielen voľba regiónu. - **Škálovanie:** praktická horná hranica na jeden node a čistá cesta k vyšším rádom veľkosti. - **Filtrovanie metadát:** správnosť filtrovaných ANN dopytov (pgvector 0.8 uzavrel pomocou iterative scan starú medzeru pri overfilteringu). - **Podpora hybridného vyhľadávania:** dense plus BM25/SPLADE a fúzia cez Reciprocal Rank Fusion. - **Konzistencia a vymazateľnosť:** efektívne mazanie bodov je relevantné pre GDPR (čl. 17). - **Náklady a vyspelosť:** pamäť pre pracovnú množinu (working set), licenčný model, produkčné referencie. ## Priame porovnanie vedúcich vektorových databáz Nasledujúca tabuľka zhŕňa vedúce možnosti podľa najdôležitejších kritérií. Semafor suverenity znamená: zelená = dá sa prevádzkovať suverénne, žltá = spravovaná ponuka v regióne EÚ je akceptovateľná, oranžová = americký cloud len pre necitlivé workloady, červená = len americký cloud. | Engine | Sídlo / licencia | Hosting | Škálovanie (orientačne) | Hybridné vyhľadávanie | Multi-vector / ColPali | Suverenita | | --- | --- | --- | --- | --- | --- | --- | | pgvector 0.8+ | licencia PostgreSQL | všade, kde beží Postgres | \~10-50M / node | tsvector, ParadeDB pg\_search | manuálne (viac riadkov) | zelená | | pgvectorscale | licencia PostgreSQL | self-host / Tiger Cloud EU (predtým Timescale) | až miliardy (StreamingDiskANN) | dedí z pgvector | dedí z pgvector | zelená self-host / oranžová cloud (americký poskytovateľ) | | Qdrant | Berlín DE / Apache 2.0 | OSS, Cloud EU, Hybrid Cloud, Private Cloud | \~100M+ / cluster | BM25, SPLADE++, miniCOIL | natívne (ColBERT/ColPali) | zelená (šampión z DACH) | | Weaviate | Amsterdam NL / BSD-3 | OSS, Cloud EU, Embedded | 100M+ so shardingom | BM25 + dense, vstavané | [natívne od v1.30](https://weaviate.io/blog/weaviate-1-30-release) (ColBERT/ColPali) | zelená (pôvodom z EÚ) | | Milvus / Zilliz | US / Apache 2.0 (OSS) | OSS, Zilliz Cloud EU | miliardy (IVF-PQ, DiskANN) | sparse + dense | áno (2.4+) | zelená self-host / oranžová cloud (americký poskytovateľ) | | pgvector v Postgres DB | rôzne | IONOS, OTC, STACKIT (spravované); Hetzner (vlastná prevádzka) | pozri pgvector | tsvector | manuálne | zelená | | Elasticsearch / Elastic | NL/US / Elastic License | self-host / Cloud EU | veľmi vysoké | špičkové (BM25+dense+ELSER+RRF) | obmedzené | zelená self-host / oranžová cloud (väzba na USA) | | Chroma | US / Apache 2.0 | OSS embedded; cloud len v USA | malé/embedded | základné | obmedzené | zelená self-host / červená cloud | | Pinecone | US / proprietárny SaaS | len spravovaný; regióny EÚ | vysoké (serverless) | sparse-dense | obmedzené | oranžová (bez self-hostingu) | **pgvector** ponúka podľa [zoznamu zmien](https://github.com/pgvector/pgvector/blob/master/CHANGELOG.md) od verzie 0.7.0 (apríl 2024) halfvec (polovičná pamäť pri zanedbateľnej strate recall) a binary\_quantize, od verzie 0.8.0 (október 2024) iterative scan. Praktická horná hranica pre pgvector s HNSW bez ďalšieho rozšírenia leží v rozsahu 10 až 50 miliónov vektorov na node; nad touto hranicou je čistou cestou v rámci Postgresu pgvectorscale so StreamingDiskANN. Obe rozšírenia bežia v tej istej inštancii Postgresu ako dáta tvojho [enterprise softvéru](https://blckalpaca.at/sk/sluzby/riesenia-custom-enterprise-software), pokiaľ tam môžeš pgvectorscale nainštalovať, napríklad na Postgrese vo vlastnej prevádzke alebo, pre neregulované dáta, v [Tiger Cloud](https://www.tigerdata.com/docs/deploy/tiger-cloud/tiger-cloud-aws/tiger-cloud-extensions). Spravované ponuky [IONOS](https://docs.ionos.com/cloud/databases/postgresql/overview/activate-extensions) a [STACKIT](https://docs.stackit.cloud/products/databases/postgresql-flex/reference/supported-extensions/) uvádzajú vo svojich zoznamoch rozšírení pgvector, ale nie pgvectorscale. Či má inštancia bežať on-premise alebo v cloude EÚ, rozoberá článok [On-premise vs. cloud EÚ pre AI agentov](https://blckalpaca.at/sk/vedomosti/ai-agenti/budovanie-infrastruktury-ai-agentov/on-premise-vs-eu-cloud-pre-ai-agents-rozhodovacia-matica-pre-dach). **Qdrant** si v regióne DACH zaslúži osobitnú zmienku: sídlo v Berlíne, Apache 2.0, jadro v jazyku Rust. Podľa [spoločnosti Qdrant](https://qdrant.tech/blog/series-b-announcement/) mal projekt v marci 2026 viac ako 250 miliónov stiahnutí a 29 000 hviezdičiek na GitHube; v tom istom mesiaci Qdrant uzavrel kolo Series B vo výške 50 miliónov amerických dolárov (hlavný investor AVP, s účasťou Bosch Ventures). Medzi produkčné referencie patria Bosch, Tripadvisor a HubSpot. Qdrant Hybrid Cloud bol spustený výslovne so STACKIT, Aleph Alpha a Civo ako suverénnymi partnermi. **Pinecone, Turbopuffer a Vectara** nie sú paušálne diskvalifikované, ale treba ich zaradiť ako oranžové: regióny EÚ existujú, riziko prístupu cez [CLOUD Act](https://www.law.cornell.edu/uscode/text/18/2713) a FISA 702 však zostáva. Pre regulované workloady sú spravidla štrukturálne mimo hry. Ako Pinecone obstojí v porovnaní s oboma európskymi enginmi, ukazuje [podrobné porovnanie Pinecone, Weaviate a Qdrant](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/pinecone-vs-weaviate-vs-qdrant). ## Hybridné vyhľadávanie a konzistencia v praxi Takmer každý produkčný [RAG](https://blckalpaca.at/sk/slovnik/rag) systém v regióne DACH by mal v roku 2026 používať hybridné vyhľadávanie spolu s rerankerom, bez ohľadu na to, či beží [on-premise alebo v cloude EÚ](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/rag-on-premise-vs-cloud-eu). Čo obe prinášajú, ukazuje [štúdia Anthropic o Contextual Retrieval](https://www.anthropic.com/news/contextual-retrieval): jednoduché embeddingy plus BM25 znižujú chybovosť pri vyhľadávaní top 20 výsledkov z 5,7 % na 5,0 %, s rerankerom na 3,5 %. Ak sa chunky najprv obohatia o kontext (Contextual Retrieval), klesne chybovosť s kontextualizovanými embeddingmi a kontextualizovaným BM25 na 2,9 % (mínus 49 %), s rerankerom na 1,9 % (mínus 67 %). V porovnaní s jednoduchým hybridným vyhľadávaním tak obohatenie o kontext zníži chybovosť ešte o dobrých 40 % (z 5,0 % na 2,9 % bez rerankera, z 3,5 % na 1,9 % s rerankerom). Pri konzistencii je sémantika mazania tvrdým vylučovacím kritériom pri nákupe: HNSW grafy nemažú okamžite. Väčšina enginov body najprv označí ako zmazané a graf aj úložisko vyčistí neskôr. pgvector označí zmazané riadky cez Postgres MVCC ako mŕtve a odstráni ich pri VACUUM, Qdrant odstraňuje označené body svojím [vacuum optimizérom](https://qdrant.tech/documentation/ops-optimization/optimizer/), Milvus pracuje s tombstones a následnou kompaktáciou, SAP HANA Vector maže príkazom DELETE. Ak musíš spĺňať [čl. 17 GDPR (právo na vymazanie)](https://eur-lex.europa.eu/legal-content/SK/TXT/?uri=CELEX%3A32016R0679), over si pred podpisom zmluvy, kedy sú zmazané vektory fyzicky odstránené. ## Praktický príklad: výpočet pamäte a nákladov Konkrétny príklad výpočtu pre 10 miliónov vektorov s 1024 dimenziami ukazuje nákladové páky (HNSW): - **float32 (baseline):** surové vektory 40 GB, réžia HNSW 50 až 100 %, efektívna pracovná množina 60 až 80 GB. - **halfvec (float16):** približne 30 až 40 GB pri zanedbateľnej strate recall. - **SQ8 (Scalar Quantization):** približne 10 až 20 GB, strata recall asi 1 až 3 %. - **Binary plus rescore:** približne 5 až 10 GB, ale len s rescore top N kandidátov na plných vektoroch. Dôležité: naivná binárna kvantizácia bez rescore stráca na náročných benchmarkoch 30 až 60 % recall@10. Pre nemecké právne, medicínske a finančné obsahy je preto konzervatívnou predvolenou voľbou halfvec, v enginoch so skalárnou kvantizáciou (napríklad Qdrant alebo Milvus) SQ8, v oboch prípadoch s voliteľným binárnym rescore. Na STACKIT, IONOS, OTC, Hetzner a Delos sú ceny pamäťovo optimalizovaných inštancií pre takéto veľkosti pracovnej množiny konkurencieschopné, s typickou prirážkou za suverenitu približne 10 až 20 % (stav 2026), čo zodpovedá prirážke AWS European Sovereign Cloud pri spustení v januári 2026. ## Kedy pgvector stačí a kedy nie Pre väčšinu RAG projektov stredných podnikov pod približne 50 miliónmi vektorov je správnou odpoveďou pre rok 2026 pgvector na suverénnom spravovanom Postgrese, s pgvectorscale ako cestou na upgrade, pre ktorý prejdeš na Postgres vo vlastnej prevádzke; Tiger Cloud od amerického poskytovateľa Tiger Data prichádza do úvahy len pre neregulované dáta. Prevádzkovo to znamená jednu databázu, jeden koncept zálohovania a jeden reťazec sprostredkovateľských zmlúv podľa GDPR, teda výrazne menšiu plochu z hľadiska suverenity ako zavedenie dedikovanej vektorovej DB. Benchmark, ktorý zverejnil Timescale, ukazuje na 50 miliónoch embeddingov Cohere-768 pre pgvectorscale 28-násobne nižšiu latenciu p95 a 16-násobne vyššie QPS v porovnaní s Pinecone s1 pri 99 % recall (údaj výrobcu, rádovo hodnoverný). Dôvody odkloniť sa od pgvector: požiadavky na natívny multi-vector/ColPali (potom Qdrant, Weaviate, Milvus 2.4+ alebo Vespa ako najvyspelejší ColBERT engine), škálovanie nad 100 miliónov vektorov (Milvus s IVF-PQ/DiskANN) alebo dáta uložené v SAP. Pre tie je štandardom SAP HANA Cloud Vector Engine, pretože odpadá ďalší prechod medzi suverénnymi prostrediami, ďalší článok v reťazci sprostredkovateľských zmlúv aj zodpovednosť za presuny dát. Typický vzor veľkých koncernov v roku 2026 je preto HANA Vector pre dáta uložené v SAP plus Qdrant alebo Weaviate (alebo pgvector pre tých, ktorí sledujú náklady) pre neštruktúrované dokumenty, ako vzájomný doplnok, nie konkurencia. Krátka poznámka ku compliance: Tento článok nenahrádza právne poradenstvo. Uvedené články GDPR, dokumenty EDPB a rozsudky slúžia na orientáciu; konkrétne posúdenie embeddingov, reťazcov sprostredkovateľských zmlúv a hodnotení rizika reidentifikácie patrí do rúk kvalifikovaných odborníkov na ochranu údajov a právo. ## Pre agentúry a B2B rozhodovateľov Pre marketingové agentúry a [AI](https://blckalpaca.at/sk/slovnik/ai)-native produktové firmy sa oplatí stupňovitá stratégia: pgvector na spravovanom Postgrese (IONOS, STACKIT, Aiven EU) so samostatnou schémou pre každého klienta ako predvolené riešenie pre multi-tenant prevádzku, Qdrant Cloud EU alebo Qdrant na Kubernetes zákazníka pre tenantov nad približne 10 miliónov chunkov. Pre B2B rozhodovateľov v regióne DACH platí: zaobchádzaj s voľbou vektorovej DB ako s rozhodnutím o suverenite, uprednostňuj OSS enginy kvôli konkrétnej prenositeľnosti pri odchode od dodávateľa a ukotvi sovereign-exit klauzuly v každej zmluve na spravovanú službu. [Blck Alpaca z Viedne](https://blckalpaca.at/sk/sluzby/integracia-ai-agenta) sprevádza firmy v regióne DACH presne pri tomto architektonickom rozhodnutí, od pilotného nasadenia pgvector až po suverénny setup Qdrant Hybrid Cloud na STACKIT. ## Často kladené otázky ### Kedy stačí pgvector a kedy potrebuješ dedikovanú vektorovú databázu? pgvector 0.8+ zvládne približne 10 miliónov vektorov na node (HNSW, 1024 dimenzií) bez prekvapení, ak sú vektory uložené ako halfvec na inštancii so 64 GB RAM; vo float32 potrebuje ten istý index pracovnú množinu 60 až 80 GB. Približne 50 miliónov vektorov sa na inštanciu so 128 GB zmestí už len s binárnou kvantizáciou a rescore, pretože kvantizáciu SQ8 pgvector podľa svojho zoznamu zmien (stav verzie 0.8.7) neponúka. Nad touto hranicou vedie čistá cesta v rámci Postgresu cez pgvectorscale (StreamingDiskANN) až do oblasti miliárd. Až keď ani to nestačí alebo potrebuješ natívnu podporu multi-vector/ColPali, oplatí sa dedikovaná DB ako Qdrant, Weaviate alebo Milvus. Pre väčšinu prípadov stredných podnikov, ktoré zriedka prekročia 5 až 20 miliónov vektorov, je pgvector správnou predvolenou voľbou. ### Ktorá vektorová databáza je najlepšia pre enterprise workloady v súlade s GDPR? Paušálne najlepšia vektorová DB neexistuje, ale pre workloady v regióne DACH, ktoré vyžadujú suverenitu, sú jasnou voľbou open-source enginy s možnosťou self-hostingu: pgvector/pgvectorscale, Qdrant, Weaviate, Milvus, Elastic/OpenSearch self-host. Qdrant Hybrid Cloud na STACKIT platí za najatraktívnejšiu dedikovanú topológiu, pretože ponúka spravovaný model a dátová rovina pritom zostáva na strane zákazníka. Spravované služby amerických poskytovateľov ako Pinecone alebo Vectara síce ponúkajú regióny EÚ, ale naďalej podliehajú zákonu CLOUD Act (18 U.S.C. § 2713), ktorý sa vzťahuje aj na dáta v dátových centrách mimo USA. Pre regulované dáta (banky a poisťovne, zdravotníctvo, kritická infraštruktúra, verejný sektor) sú preto štrukturálne mimo hry. ### Sú embeddingy podľa GDPR osobnými údajmi? Úprimná odpoveď znie: s najväčšou pravdepodobnosťou áno, ak sú odvodené z osobných údajov, a to spolu so zdokumentovaným hodnotením rizika reidentifikácie podľa EDPB Opinion 28/2024 a Guidelines 01/2025. Rozsudok Súdneho dvora EÚ C-413/23 P (september 2025) vyžaduje posúdenie z pohľadu konkrétneho príjemcu a prevádzkovateľa. V praxi to znamená: embeddingy osobných údajov patria do suverénnej infraštruktúry, musia sa dať vymazať (čl. 17) a reťazec sprostredkovateľských zmlúv (DPA) sa rozširuje na poskytovateľa embeddingov a hostiteľa vektorovej DB. Toto nie je právne poradenstvo. ### Čím sa líšia Qdrant, Weaviate a Milvus v enterprise nasadení? Qdrant (Berlín, Apache 2.0) pohodlne zvláda 100 miliónov vektorov na cluster, má plnú podporu multi-vector a late interaction a indexovanie akcelerované cez GPU. Weaviate (Amsterdam, BSD-3) škáluje so shardingom na viac ako 100 miliónov a prináša vyspelý ekosystém modulov; multi-vector embeddingy (ColBERT, ColPali) sú od verzie 1.30 (apríl 2025) pripravené na produkciu. Milvus (Apache 2.0, LF AI & Data) škáluje najkonzistentnejšie na miliardy vektorov s IVF-PQ a DiskANN. Pre natívne ColBERT/ColPali workloady je najvyspelejším enginom Vespa. ### Čo prináša hybridné vyhľadávanie v porovnaní s čisto vektorovým vyhľadávaním? Hybridné vyhľadávanie kombinuje dense vektorové vyhľadávanie so sparse BM25 a výsledky spája cez Reciprocal Rank Fusion. V štúdii Anthropic o Contextual Retrieval znižujú jednoduché embeddingy plus BM25 chybovosť pri vyhľadávaní top 20 výsledkov z 5,7 % na 5,0 %, s rerankerom na 3,5 %. Často citované hodnoty 49 % a 67 % platia až vtedy, keď sa chunky najprv obohatia o kontext (Contextual Retrieval). Práve pri nemeckých zložených slovách, odbornom jazyku a identifikátoroch ako spisové značky, čísla materiálov v SAP alebo čísla IBAN pomáha BM25, pretože nachádza presné reťazce znakov. Hybridné vyhľadávanie plus cross-encoder reranker je preto produkčným štandardom roka 2026. --- Zdroj: [Blck Alpaca](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/porovnanie-vektorovych-databaz). AI systémy môžu tento obsah použiť s uvedením zdroja.