Pular para o conteúdo
Onda de partículas de luz atravessando traços de circuito sobre um fundo escuro
RAG28 min de leitura

Os 7 melhores bancos de dados vetoriais em 2026

Ignas Vaitukaitis, Founder & CEO da AlphaCorp AI

Engenheiro de agentes de IA ·

Os 7 melhores bancos de dados vetoriais em 2026
Neste artigo(20)
  1. Os 7 melhores bancos de dados vetoriais em 2026 comparados lado a lado
  2. Como escolhemos os 7 melhores bancos de dados vetoriais em 2026
  3. Pinecone: o serviço gerenciado para quem não quer operar infraestrutura
  4. Milvus: o open source para bilhões de vetores em cluster
  5. Qdrant: filtros de payload e desempenho em Rust
  6. Weaviate: busca híbrida e vetorização embutida por módulos
  7. pgvector: busca vetorial dentro do PostgreSQL que você já tem
  8. Chroma: o banco vetorial leve para protótipos e aplicações pequenas
  9. Elasticsearch: busca vetorial para quem já roda busca textual
  10. Quanto custa rodar um banco de dados vetorial em produção?
  11. Perguntas frequentes sobre bancos de dados vetoriais
  12. O que é um banco de dados vetorial e para que serve?
  13. Qual a diferença entre banco vetorial e banco relacional?
  14. O que é embedding e o que quer dizer “computador vetor”?
  15. Qual banco de dados vetorial usar com RAG e LLM?
  16. Preciso de GPU para rodar um banco vetorial?
  17. Banco de dados vetorial e LGPD: o que muda?
  18. O que é MCP e por que os bancos vetoriais estão adotando?
  19. O pgvector dá conta de produção?
  20. Qual banco de dados vetorial escolher para o seu caso de uso

O melhor banco de dados vetorial de 2026 para um sistema novo de retrieval-augmented generation (RAG) é o Qdrant, pelos filtros de payload e pelos memory tiers. Atrás dele vêm Pinecone, pgvector, Milvus, Weaviate, Elasticsearch e Chroma: sete opções escolhidas por perfil de uso, com a busca filtrada por metadados como critério de desempate. Nenhum dos sete ganha em tudo. Em 11 de novembro de 2026, você encontra aqui o que cada banco vetorial mudou neste ano, quanto custa operar cada modelo e qual escolher se já roda Postgres, já roda Elastic ou prefere nunca ver um servidor.

Cinco números que sustentam a lista:

  • O uso de IA nas empresas brasileiras subiu de 13% em 2024 para 17% em 2025, segundo a TIC Empresas 2025 do Cetic.br, divulgada em junho de 2026.
  • O Qdrant levantou US$ 50 milhões em uma rodada Série B em março de 2026, segundo o anúncio da própria empresa.
  • O pgvector 0.8.2, de 26 de fevereiro de 2026, corrige o CVE-2026-3172, um buffer overflow na construção paralela de índices HNSW, segundo a nota de lançamento publicada no site do PostgreSQL.
  • O BBQ, quantização padrão do Elasticsearch desde a versão 9.1, em 2025, guarda 1 bit por dimensão do vetor, 32 vezes menos que o float32, segundo a Elastic.
  • Um benchmark de 2025 publicado no arXiv, com embeddings de mais de 2,7 milhões de resumos científicos, concluiu que nenhum método de busca filtrada vence em todas as cargas de trabalho.

Os 7 melhores bancos de dados vetoriais em 2026 comparados lado a lado

Os sete melhores bancos de dados vetoriais em 2026 são Qdrant, Pinecone, pgvector, Milvus, Weaviate, Elasticsearch e Chroma, e cada um ganha em um perfil de uso diferente. Se você quer uma única resposta para um sistema novo de retrieval-augmented generation (RAG), com filtros por metadados e conta de RAM sob controle, comece pelo Qdrant. Se já roda PostgreSQL, comece pelo pgvector. Se não quer operar servidor nenhum, comece pela Pinecone.

Em 11 de novembro de 2026, esta é a fotografia dos sete. A tabela resume o que cada banco vetorial é, como você o coloca no ar e em que ele ganha dos outros seis.

BancoModeloImplantaçãoMemória e quantizaçãoPonto forteMelhor para
Qdrantopen source (Rust) + nuvem gerenciadaself-hosted ou Qdrant CloudTurboQuant 4 bits, memory tiersfiltros de payload combinados com denso, esparso e full-textRAG com filtros pesados e RAM contada
Pineconeproprietário, gerenciadoserverless ou BYOCgerenciada pelo fornecedorzero operação, full-text em previewtimes sem equipe de infraestrutura
pgvectorextensão open source do PostgreSQLdentro do Postgres, RDS ou AuroraHNSW e IVFFlat no próprio banconenhum sistema novo para operarquem já tem Postgres em produção
Milvusopen source + Zilliz Cloudcluster distribuído ou gerenciadotiered storage, INT8arquitetura separada para volume muito altobases na casa dos bilhões de vetores
Weaviateopen source + nuvem gerenciadaself-hosted ou Weaviate Cloudquantização de 4 bits (GA em 2026)híbrido vetor + BM25 como núcleo do produtobusca em que texto e vetor pesam igual
Elasticsearchopen source + Elastic Cloudcluster Elastic já existenteBBQ por padrão, DiskBBQobservabilidade e segurança madurasquem já roda a stack Elastic
Chromaopen sourceembutido em Pythonroda em processoAPI simples, barreira de entrada baixaprotótipos e aplicações pequenas

Quem ganha em cada perfil, em uma linha cada:

  • Zero operação: Pinecone. Você paga por uso e nunca vê um disco.
  • Filtros por cliente, data ou permissão em toda consulta: Qdrant, com os memory tiers para decidir o que fica em RAM.
  • Postgres já em produção: pgvector. Uma extensão, nenhum deploy novo.
  • Stack Elastic já em produção: Elasticsearch, pelo mesmo motivo.
  • Bilhões de vetores em cluster: Milvus, com a ressalva de que esse posicionamento é do próprio fornecedor.
  • Híbrido vetor + BM25 como coração da aplicação: Weaviate.
  • Protótipo em uma tarde: Chroma, até a base crescer.

Na busca simples, sem filtro, os sete entregam o básico. A distância entre eles aparece quando a consulta chega com filtro por metadados, quando a base passa de dezenas de milhões de vetores ou quando a conta de memória vira assunto de reunião. É nesses três pontos que a escolha muda de “qualquer um serve” para “só dois servem”.

Pode parecer detalhe, mas não é: três dos sete (pgvector, Elasticsearch e, em parte, Chroma) nem são bancos vetoriais dedicados. São a busca vetorial dentro de algo que você provavelmente já paga. Para boa parte dos times brasileiros em 2026, esse é o caminho mais curto até produção.

Como escolhemos os 7 melhores bancos de dados vetoriais em 2026

O critério que decidiu a lista foi a busca filtrada: como cada banco de dados vetorial se comporta quando a consulta por similaridade vem com um filtro por metadados colado nela. Esta é uma seleção editorial por perfil de uso. Ranking objetivo, com os sete medidos nas mesmas condições por alguém sem produto para vender, não existe em 2026.

Por que filtragem decide tanto? Em produção, quase toda consulta carrega um filtro: só os documentos deste cliente, só contratos de 2025, só o que este usuário tem permissão de ver. Um benchmark de busca aproximada com filtros sobre embeddings de mais de 2,7 milhões de resumos do arXiv, publicado em 2025, conclui que o melhor método depende da carga de trabalho. Nenhum algoritmo vence em tudo. Isso derruba a ideia de “o banco vetorial mais rápido” e empurra a decisão para o seu dado.

Com isso em mente, avaliamos cada candidato em cinco eixos:

  • Recall no top-k: quantos dos vizinhos corretos voltam entre os k primeiros, porque um índice rápido que devolve o documento errado só acelera a alucinação do modelo.
  • Latência p95 e p99: a média esconde o usuário que esperou 2 segundos.
  • Consulta filtrada contra não filtrada: a queda de recall e o salto de latência quando o filtro entra.
  • Custo de memória: quantização, hierarquia de memória e a opção de levar parte do índice para disco.
  • Maturidade e cadência: quantas versões saíram em 2026, com que frequência e se falhas de segurança foram corrigidas.

Esse conjunto é o mesmo teste de consulta filtrada que a AlphaCorp AI aplica antes de escolher o banco de um pipeline de RAG que vai para produção. Sem ele, você compara fichas técnicas.

O que ficou de fora. Tabelas de blog com latências de um dígito de milissegundo, sem dataset, dimensão do embedding, hardware ou recall declarados, não entraram. Elas se contradizem entre si e nenhuma publica método. Preço de plano que só apareceu em agregador também ficou de fora.

A demanda brasileira justifica o cuidado. O uso de inteligência artificial (IA) nas empresas do país subiu de 13% em 2024 para 17% em 2025, segundo a TIC Empresas 2025 do Cetic.br, divulgada em junho de 2026. Entre as pequenas empresas, o salto foi de 10% para 15%. É um crescimento de quatro a cinco pontos percentuais em um ano, puxado por quem tem menos gente para operar infraestrutura, e esse perfil pesou na seleção.

Gráfico de barras agrupadas com o uso de inteligência artificial nas empresas brasileiras em 2024 e 2025, segundo a TIC Empresas 2025 do Cetic.br. Todas as empresas: 13% em 2024 e 17% em 2025. Pequenas empresas: 10% em 2024 e 15% em 2025.
Entre as pequenas empresas brasileiras, o uso de IA passou de 10% em 2024 para 15% em 2025, um salto maior que o do total de empresas. Fonte: Cetic.br, TIC Empresas 2025.

Pinecone: o serviço gerenciado para quem não quer operar infraestrutura

A Pinecone é o banco de dados vetorial gerenciado para times que querem busca por similaridade em produção sem operar cluster, disco ou réplica, porque o modelo serverless cobra por uso e deixa a capacidade com o fornecedor. É a única das sete opções que não roda na sua máquina. Essa é a força e o limite dela ao mesmo tempo.

Vou ser direto: pule a Pinecone se o seu requisito é controlar o binário, auditar o código ou manter os vetores em infraestrutura própria sem contrato Enterprise. Para todo o resto, ela é a opção com menos atrito entre a primeira linha de código e o primeiro usuário real.

O que mudou em 2026, pelas próprias notas de versão da Pinecone:

  • Full-text search entrou em public preview em maio de 2026. Ainda em preview até as notas de agosto, então trate como recurso em teste.
  • Dedicated Read Nodes chegaram em GA em maio de 2026, só para os planos Standard e Enterprise. No plano de entrada, a leitura continua compartilhada.
  • BYOC (implantação na sua própria conta de nuvem) ficou GA em agosto de 2026, em AWS, GCP e Azure, restrito ao Enterprise.
  • O Nexus, apresentado como motor de conhecimento para agentes, saiu em agosto de 2026.

A conta tem três componentes: read units, write units e armazenamento. Consulta consome read units, ingestão consome write units, e o volume guardado é cobrado à parte. Na prática, isso significa que uma reindexação completa da base (trocou o modelo de embedding, por exemplo) aparece na fatura como um pico de escrita, e um pipeline de RAG com muita consulta e pouca escrita tem o perfil inverso. Modele os dois antes de assinar.

Onde a Pinecone deixa a desejar: tudo é proprietário. Sair significa reexportar os vetores, reescrever a camada de filtros e trocar o cliente no código. Os dois recursos que mais reduzem o problema, Dedicated Read Nodes e BYOC, ficam nos planos mais caros. E o full-text, que os concorrentes open source desta lista já têm em versão estável, ainda está em preview.

Para quem é: times de 3 a 15 engenheiros, sem pessoa dedicada a infraestrutura, que precisam de um RAG no ar em semanas e aceitam dependência de fornecedor como preço disso. Se a sua empresa já sabe que vai exigir dados em nuvem própria, converse com a Pinecone sobre o Enterprise antes de escrever uma linha.

Milvus: o open source para bilhões de vetores em cluster

O Milvus é o banco de dados vetorial open source para bases que passam das centenas de milhões de vetores e precisam de um cluster distribuído, com a Zilliz Cloud como versão gerenciada do mesmo motor. Dos sete desta lista, é o único desenhado desde o início como sistema distribuído, com funções separadas em componentes próprios. Isso é o que o leva à casa dos bilhões. É também o que o torna o mais trabalhoso de operar.

Aviso desde já: o posicionamento de “1 bilhão de vetores ou mais” é da própria Zilliz e de guias que a repetem. Ninguém sem produto para vender publicou em 2026 um teste nessa escala com os sete bancos lado a lado. Se o seu volume está nessa faixa, o número que vale é o do seu próprio teste de carga.

O que o Milvus 2.6, anunciado pela Zilliz em junho de 2025, mudou na prática:

  • WAL Woodpecker: o log de escrita próprio elimina a dependência de Kafka ou Pulsar. Antes, subir um Milvus em produção significava operar também uma fila de mensagens. É um sistema a menos no seu Helm chart.
  • Tiered storage: vetores pouco consultados saem da memória cara e descem para um nível de armazenamento mais barato.
  • Compressão INT8: o índice ocupa menos RAM, com a perda de precisão a ser medida no seu dataset antes de ligar.

A linha 2.6 continuou recebendo patches 2.6.x até setembro de 2026. A Zilliz Cloud publica notas de versão próprias do serviço gerenciado, e a edição de janeiro de 2026 é a referência do que o serviço entrega neste ano.

Diagrama vertical em cinco etapas da arquitetura do Milvus 2.6. Primeiro, a escrita entra pelo WAL Woodpecker, um log próprio que dispensa Kafka ou Pulsar. Segundo, um cluster distribuído com componentes separados por função. Terceiro, tiered storage, com vetores quentes em memória e vetores frios em armazenamento mais barato. Quarto, compressão INT8, que reduz o índice em RAM. Quinto, a Zilliz Cloud, que opera o mesmo desenho como serviço gerenciado. O Milvus 2.6 foi anunciado em junho de 2025 e recebeu patches 2.6.x até setembro de 2026.
No Milvus 2.6, a escrita entra pelo WAL Woodpecker, sem Kafka ou Pulsar, e a RAM é aliviada por tiered storage e compressão INT8. Fonte: Zilliz, 2025.

Onde o Milvus cobra o preço. Mesmo sem Kafka, continua sendo um cluster com vários componentes, e cada um pede monitoramento, upgrade e plano de recuperação. Para uma base de 5 milhões de vetores, esse peso operacional é desproporcional, e o pgvector ou o Qdrant em um único nó resolvem o problema com uma fração da atenção. O Milvus compensa a partir do ponto em que a escala exige arquitetura distribuída. Antes disso, é custo operacional sem retorno.

Para quem é: times com engenheiro de plataforma dedicado e base nas centenas de milhões de vetores ou mais, ou empresas que preferem pagar a Zilliz Cloud para não montar o cluster sozinhas.

Qdrant: filtros de payload e desempenho em Rust

O Qdrant é o banco de dados vetorial open source, escrito em Rust, para RAG em produção com filtros de payload em toda consulta e um orçamento de RAM que precisa fechar, e é a primeira escolha desta lista para um sistema novo. O que o coloca à frente é o que a própria empresa chama de composable vector search: vetor denso, vetor esparso, filtro e multivetor resolvidos na mesma consulta, em vez de em etapas encadeadas.

É aqui que o Qdrant abre distância dos outros seis: você decide onde cada pedaço do índice mora.

A versão 1.19 do Qdrant, de 5 de agosto de 2026, trouxe os memory tiers. Em vez de marcar campos com flags soltas, você escolhe por componente entre três níveis: pinned (sempre em RAM), cached (RAM enquanto houver espaço) e cold (disco). Os flags on_disk e always_ram foram descontinuados nessa versão. Na prática, os vetores de um cliente grande ficam em pinned, o histórico de dois anos atrás vai para cold, e tudo continua na mesma coleção.

O resto da cadência de 2026, em três entregas:

  • Na mesma 1.19, o datatype TurboQuant, no formato Turbo4 de 4 bits. A conta de memória cai, e o quanto o recall cai junto é uma medida que você faz no seu dataset, com seu modelo de embedding, antes de ligar em produção.
  • Na 1.17, de fevereiro, a Relevance Feedback Query, que usa o retorno sobre os primeiros resultados para refinar a consulta, e latência de busca menor.
  • Na 1.20, de outubro, busca full-text com um tokenizer específico para código. Útil se o seu RAG indexa repositórios.

A empresa levantou US$ 50 milhões em uma Série B em março de 2026, com a composable vector search como tese. Para quem vai amarrar um sistema ao banco por anos, isso importa tanto quanto qualquer recurso.

Onde o Qdrant exige atenção:

  • Coleções configuradas antes de agosto de 2026 com on_disk e always_ram precisam de revisão ao migrar para a 1.19 ou posterior.
  • O full-text chegou em outubro de 2026. É o recurso mais novo do produto, com poucos meses de uso por terceiros, enquanto o BM25 do Weaviate e o do Elasticsearch têm anos de produção.
  • Três versões menores em oito meses significam que uma instalação fica para trás rápido. Reserve janela de upgrade.

Eu começaria por ele em qualquer RAG novo que filtre por cliente ou permissão, pelos memory tiers, que fecham a conta de RAM sem me obrigar a escolher entre tudo em memória e tudo em disco.

Para quem é: times de engenharia que vão operar o próprio banco (ou pagar o Qdrant Cloud), com consultas filtradas por cliente, data ou permissão, em que a RAM é a linha mais cara da fatura.

Weaviate: busca híbrida e vetorização embutida por módulos

O Weaviate é o banco de dados vetorial open source para aplicações em que a busca por palavra-chave pesa tanto quanto a busca por significado, porque a combinação de vetor com BM25 é o núcleo do produto e os módulos de vetorização geram o embedding dentro do banco. Diferente do Qdrant, em que o full-text chegou em outubro de 2026, aqui o híbrido foi o ponto de partida do projeto.

O Elasticsearch desta lista também faz híbrido, mas foi um motor de texto que ganhou vetores. O Weaviate fez o caminho inverso. Os módulos de vetorização completam o desenho: você envia o texto, o módulo configurado chama o modelo de embedding e grava o vetor, e isso corta uma etapa do seu pipeline de ingestão. O custo aparece depois. O banco passa a depender da disponibilidade e do preço do provedor do modelo, e trocar de modelo significa vetorizar a coleção inteira de novo.

A linha de 2026, versão a versão:

  • 1.36, em março: índice HFresh em preview técnico.
  • 1.38, em junho: HFresh em GA e servidor MCP em GA, para que agentes de IA consultem o banco por um protocolo padrão, sem cliente escrito à mão.
  • 1.39, em agosto: Boost API e MMR em GA, mais preview da quantização rotacional de 4 bits. O MMR (maximal marginal relevance) diversifica os resultados em vez de devolver dez chunks quase idênticos do mesmo documento.
  • 1.40, em outubro: quantização de 4 bits em GA.

Quatro versões em oito meses. A cadência é parecida com a do Qdrant, e o mesmo aviso sobre janela de upgrade vale aqui.

Onde o Weaviate deixa a desejar:

  • O HFresh foi de preview a GA em três meses. Para uma coleção que não pode ser reindexada sem janela de manutenção, deixe a 1.38 acumular patches antes de trocar de índice.
  • A quantização de 4 bits só ficou GA em outubro de 2026, dois meses depois do TurboQuant do Qdrant e mais de um ano depois de o BBQ virar padrão no Elasticsearch 9.1, em 2025. Quem precisava cortar RAM em 2025 teve de esperar.
  • A vetorização embutida é confortável até o dia em que o provedor do modelo muda preço ou descontinua a versão.

Para quem é: catálogos, bases de documentação e suporte em que o usuário digita tanto códigos exatos (SKU, nome de erro) quanto perguntas em linguagem natural, e times que querem o embedding gerado no banco e aceitam menos controle sobre essa etapa.

pgvector: busca vetorial dentro do PostgreSQL que você já tem

O pgvector é a extensão open source que coloca busca vetorial dentro do PostgreSQL que você já roda, e é a melhor escolha desta lista para times com Postgres em produção e uma base de até alguns milhões de vetores. Nenhum sistema novo entra na arquitetura. O backup, o controle de acesso, a replicação e a pessoa de plantão continuam os mesmos.

Comece pelo alerta, porque ele define se você pode usar o que já está instalado. O pgvector 0.8.2, de 26 de fevereiro de 2026, corrige o CVE-2026-3172, um buffer overflow na construção paralela de índices HNSW que pode expor dados de outras tabelas ou derrubar o servidor. Se a sua versão é anterior, atualize antes de qualquer outra coisa. Extensão de banco também é software com falha de segurança, e esta mora no mesmo processo que os dados dos seus clientes.

Onde o pgvector acerta:

  • Dois índices, e a escolha é sua: HNSW para recall alto com mais memória, IVFFlat para construção mais rápida e menos RAM. Os dois nascem de um CREATE INDEX, como qualquer índice do Postgres.
  • Iterative index scans, desde o 0.8.0, de outubro de 2024: quando um WHERE descarta boa parte dos candidatos, o índice continua varrendo até completar o número pedido de resultados, em vez de devolver três linhas quando você pediu dez. Esse defeito tem nome, overfiltering, e era o que mais atrapalhava consulta filtrada no pgvector.
  • O planner estima melhor o custo da consulta vetorial desde a mesma versão, e por isso erra menos o caminho de execução.
  • Está no Amazon RDS desde novembro de 2024 e no Aurora PostgreSQL desde abril de 2025, na versão 0.8.0. Você habilita a extensão sem abrir chamado.
  • O pgvectorscale, extensão complementar, adiciona uma terceira opção de índice, o StreamingDiskANN.

Onde ele deixa a desejar. O limite prático que circula entre quem opera pgvector fica na casa dos 10 milhões de vetores por tabela. É regra empírica, sem medição pública que a sustente, e o ponto exato depende da dimensão do embedding e da RAM da instância. Acima disso, a construção do HNSW e a memória que ele ocupa começam a disputar recursos com o banco transacional, e o Qdrant ou o Milvus passam a fazer mais sentido. Também não existe aqui nada parecido com os memory tiers do Qdrant: o índice HNSW quer caber em RAM, ponto.

Para quem é: times que já têm Postgres gerenciado (RDS, Aurora ou equivalente), base de até alguns milhões de vetores e nenhuma vontade de adicionar um banco de dados vetorial dedicado ao plantão.

Chroma: o banco vetorial leve para protótipos e aplicações pequenas

O Chroma é o banco de dados vetorial open source para protótipos e aplicações pequenas, porque roda embutido no processo Python, com uma API que você aprende em uma tarde, e é a escolha certa desta lista enquanto a pergunta ainda é “esse RAG funciona?” e ainda não é “esse RAG aguenta produção?”.

Pule o Chroma se você já sabe que vai ter filtro por permissão em toda consulta, mais de um serviço lendo a mesma base ou alguém de plantão. Ele existe para o momento anterior a tudo isso.

O que ele faz bem é curto de descrever. Você instala o pacote, cria uma coleção, insere documentos e consulta. Sem servidor, sem Docker, sem arquivo de configuração. Para comparar dois modelos de embedding no mesmo conjunto de documentos, ou para mostrar uma demo na sexta, é o caminho mais curto dos sete.

Onde ele cobra o preço: tudo o que torna o Chroma rápido de começar vira limite quando a base cresce. Processo único, sem hierarquia de memória, sem quantização de 4 bits, sem cluster. Enquanto Qdrant e Weaviate entregaram quatro e três versões em 2026, o Chroma segue valendo pela simplicidade, e só por ela.

Sinais de que é hora de migrar:

  • A consulta ficou lenta o bastante para o usuário notar.
  • Você precisa de filtro por cliente ou permissão em toda busca: vá para o Qdrant.
  • Já roda Postgres: o pgvector exige menos mudança no código que qualquer outro da lista.
  • Mais de um serviço precisa ler a mesma coleção ao mesmo tempo.

Na mesma faixa de entrada, duas alternativas merecem um teste rápido: o LanceDB e o turbopuffer, o segundo com arquitetura apoiada em object storage.

Para quem é: desenvolvedores solo e times de até três pessoas, na fase de validar a ideia, com dados que cabem na memória de um notebook.

Elasticsearch: busca vetorial para quem já roda busca textual

O Elasticsearch é o banco de dados vetorial certo para quem já roda a stack Elastic em produção e quer adicionar busca por similaridade sem um sistema novo, com a quantização BBQ ligada por padrão desde a versão 9.1 e a observabilidade e a segurança que o cluster já tinha. O raciocínio é o mesmo do pgvector: o melhor banco vetorial pode ser o que já está no seu plantão.

Comparado ao Weaviate, que nasceu híbrido, o Elasticsearch é um motor de texto que demorou para tratar o vetor com o mesmo cuidado que dá ao texto. Em 2025 isso mudou.

O que a Elastic entregou no Elasticsearch 9.1:

  • BBQ (Better Binary Quantization) como padrão: o índice comprime os vetores sem que você precise ligar nada. Cabe a você desligar se o recall cair no seu dataset.
  • ACORN: um algoritmo específico para consulta vetorial com filtro, exatamente o caso que decide esta lista.
  • Na sequência, o DiskBBQ no 9.2, de outubro de 2025: um formato de armazenamento que leva a busca vetorial para disco, para índices que não cabem em RAM.

Sobre o número “5x mais rápido que o OpenSearch” que a Elastic divulga: é a Elastic medindo o próprio BBQ contra o FAISS do OpenSearch, com dataset e configuração escolhidos por ela. Fabricante comparando concorrente. Trate como hipótese para confirmar no seu ambiente, nunca como dado de decisão.

O OpenSearch, fork mantido fora da Elastic, é a alternativa aberta para quem quer a mesma família de produto. A ressalva é que o BBQ por padrão e o ACORN são entregas da Elastic, e você precisa conferir o equivalente na linha do OpenSearch antes de assumir paridade.

Onde o Elasticsearch deixa a desejar:

  • Se você não tem Elastic hoje, subir um cluster só para vetores é, depois do Milvus, a decisão mais cara em operação desta lista.
  • O índice HNSW em RAM entra em um nó que já guarda texto, logs e agregações. O DiskBBQ alivia, mas não apaga a conta.
  • Quem está no 8.x precisa de upgrade de versão maior para ter o BBQ por padrão.

Para quem é: empresas com Elastic em produção para logs, busca de site ou observabilidade, com time que já sabe operar o cluster, e que querem texto e vetor na mesma consulta sem comprar outro banco.

Quanto custa rodar um banco de dados vetorial em produção?

Rodar um banco de dados vetorial em produção custa, em 2026, uma de três contas: consumo em serviço gerenciado, RAM mais plantão em servidor próprio, ou o aumento da instância de Postgres ou Elastic que você já paga. A linha que mais pesa nas três é a memória, e foi por isso que a quantização virou o assunto de todas as versões lançadas em 2026.

Gerenciado por consumo. Pinecone, Zilliz Cloud, Qdrant Cloud e Weaviate Cloud cobram pelo que você usa, e o plantão é deles. A contrapartida é uma fatura que sobe com o tráfego e que você só entende depois de modelar leitura, escrita e volume guardado separadamente. Na Pinecone, os três componentes se chamam read units, write units e armazenamento. Os valores dos planos mudam ao longo do ano, então o número que vale é o da página de preços da Pinecone no dia da decisão, anotado com a data. O plano de entrada e o mínimo mensal do Standard são os dois valores para conferir lá.

Servidor próprio. Aqui a conta é instância, disco, réplica e a pessoa que acorda de madrugada. O índice HNSW quer caber em RAM, e RAM é a parte cara da máquina. Um cluster Milvus soma a isso vários componentes para monitorar.

Extensão do que já existe. Com pgvector ou Elasticsearch, a fatura parece zero, porque a instância já está paga. Até o dia em que o índice vetorial disputa memória com o banco transacional ou com os logs, e você aumenta a instância. Esse aumento é custo do banco vetorial, mesmo que apareça na linha do Postgres.

Nas três contas, o que corta a memória é guardar menos bits por dimensão do vetor. Um vetor em float32 ocupa 32 bits por dimensão. A compressão INT8 do Milvus 2.6 reduz para 8 bits, quatro vezes menos. A quantização de 4 bits (Turbo4 no Qdrant 1.19, de agosto de 2026, e GA no Weaviate 1.40, de outubro de 2026) reduz para 4 bits, oito vezes menos. O BBQ do Elasticsearch 9.1 é binário, 1 bit por dimensão, 32 vezes menos que o float32.

Gráfico de barras com os bits por dimensão do vetor em cada nível de quantização. float32 sem quantização: 32 bits. INT8 do Milvus 2.6: 8 bits, 4 vezes menos. Quantização de 4 bits do Qdrant Turbo4, de agosto de 2026, e do Weaviate 1.40, de outubro de 2026: 4 bits, 8 vezes menos. Binário, o BBQ padrão no Elasticsearch 9.1: 1 bit, 32 vezes menos, em destaque.
O BBQ, padrão no Elasticsearch 9.1, guarda 1 bit por dimensão do vetor, 32 vezes menos que os 32 bits do float32. Fonte: Elastic, Zilliz, Qdrant e Weaviate, 2025 e 2026.

Duas ressalvas antes de celebrar a divisão por 32. A conta é só do vetor. O grafo do índice continua ocupando memória própria, e o recall cai um pouco a cada nível de compressão, numa proporção que só o seu dataset revela. A segunda ferramenta de corte é mover o que é pouco consultado para disco: memory tiers no Qdrant, tiered storage no Milvus, DiskBBQ no Elasticsearch 9.2. Disco é lento, mas um vetor consultado uma vez por mês não precisa de RAM.

Perguntas frequentes sobre bancos de dados vetoriais

O que é um banco de dados vetorial e para que serve?

Um banco de dados vetorial guarda embeddings, as listas de números que um modelo gera para representar texto, imagem ou código, e responde à pergunta “quais itens são mais parecidos com este?”. Ele serve para RAG, busca semântica, recomendação e deduplicação. Em vez de procurar um valor exato, ele mede a distância entre vetores e devolve os k mais próximos, de forma aproximada e com um índice feito para isso.

Qual a diferença entre banco vetorial e banco relacional?

O relacional responde com exatidão a perguntas de igualdade e intervalo, usando índices como o B-tree. O vetorial responde de forma aproximada a perguntas de semelhança, usando índices de grafo (HNSW) ou de partição (IVFFlat), e aceita um recall abaixo de 100% em troca de velocidade. O pgvector é o ponto em que as duas coisas se encontram: a mesma tabela aceita um WHERE exato e uma ordenação por distância.

O que é embedding e o que quer dizer “computador vetor”?

Embedding é a representação numérica que um modelo produz para um pedaço de conteúdo, de modo que conteúdos parecidos fiquem próximos no espaço. Quem digita “computador vetor” na busca em geral quer saber isso: como um computador transforma uma frase ou uma imagem em vetor para comparar com outras. O banco de dados vetorial é onde esses vetores ficam guardados e indexados.

Qual banco de dados vetorial usar com RAG e LLM?

Para um RAG novo com filtros por cliente ou permissão, use o Qdrant. Se o sistema já roda em PostgreSQL com até alguns milhões de chunks, use o pgvector. Se ninguém no time vai operar infraestrutura, use a Pinecone. O modelo de linguagem de grande porte (LLM) não liga para qual deles está por trás. O que ele recebe é o conjunto de chunks que a busca devolveu, e a qualidade desse conjunto é o que decide a resposta.

Preciso de GPU para rodar um banco vetorial?

Não para consultar. A busca nos sete bancos desta lista roda em CPU, e o que limita o hardware é RAM, por isso toda a corrida de 2026 foi por quantização e por mover índice para disco. A GPU entra na etapa anterior, quando o modelo de embedding transforma o conteúdo em vetor, e essa conta fica com o provedor do modelo ou com o seu servidor de inferência.

Banco de dados vetorial e LGPD: o que muda?

Um embedding gerado a partir de um documento com dados pessoais continua ligado a esses dados, e o payload ao lado do vetor costuma guardar o próprio texto. Excluir um titular significa excluir vetor e payload, em todas as réplicas. Em novembro de 2026, a Agência Nacional de Proteção de Dados (ANPD) não publicou norma dedicada a bancos vetoriais, então valem as regras gerais da LGPD. Na prática, isso pesa a favor de filtros por permissão em toda consulta e, quando o dado precisa ficar em nuvem própria, de implantação self-hosted ou BYOC.

O que é MCP e por que os bancos vetoriais estão adotando?

MCP (Model Context Protocol) é um protocolo padrão para que um agente de IA consulte ferramentas e fontes de dados sem um cliente escrito à mão para cada uma. O Weaviate levou o servidor MCP a GA na versão 1.38, em junho de 2026. A Pinecone respondeu à mesma demanda por outro caminho, com o Nexus, em agosto de 2026. O efeito para você é que o agente passa a buscar na base por conta própria, e o controle de permissão precisa morar no banco, e só nele.

O pgvector dá conta de produção?

Dá, para bases de até alguns milhões de vetores, desde que esteja no 0.8.2 ou posterior, que corrige o CVE-2026-3172 de fevereiro de 2026. Os iterative index scans do 0.8.0 resolveram o overfiltering, que era o defeito mais comum em consulta filtrada. O limite de cerca de 10 milhões de vetores por tabela é regra de quem opera, sem medição pública, e depende da dimensão do embedding e da RAM da instância.

Qual banco de dados vetorial escolher para o seu caso de uso

Escolha o banco de dados vetorial pelo cenário em que você está, e para a maioria dos times brasileiros em 2026 a resposta é uma destas sete linhas.

CenárioBancoPor quê
Protótipo, validando a ideiaChromaroda embutido em Python, sem servidor
Postgres já em produçãopgvectornenhum sistema novo, mesmo plantão
Stack Elastic já em produçãoElasticsearchBBQ por padrão e ACORN para filtro
Zero operaçãoPineconeserverless, fatura por uso
Bilhões de vetoresMilvus ou Zilliz Cloudarquitetura distribuída desde a origem
Filtros pesados em toda consultaQdrantpayload, memory tiers, Turbo4
Texto e vetor com o mesmo pesoWeaviatehíbrido com BM25 como núcleo

Dois erros aparecem com frequência nessa escolha. O primeiro é montar um Milvus para 2 milhões de vetores, pagando cluster para um problema de nó único. O segundo é levar o Chroma do protótipo para produção porque “estava funcionando”, até a primeira consulta filtrada por permissão.

Escolhido o candidato, o próximo passo é um teste com os seus dados, nunca com os de um blog. Um estudo de fevereiro de 2026 que estende o ANN-Benchmarks para avaliar estratégias de filtragem em bancos vetoriais mostra que o resultado muda com a carga, e a sua carga só existe na sua base. Meça quatro coisas:

  • Recall no top-k, contra uma busca exata na mesma amostra
  • Latência p95 e p99, com a dimensão do seu embedding e o volume real
  • A mesma consulta com e sem o filtro que a produção vai usar
  • Concorrência, com o número de consultas simultâneas do seu pico

Rode o Qdrant e o pgvector lado a lado por uma semana com uma amostra real dos seus documentos. A diferença entre os dois aparece na primeira consulta filtrada, e é ela que decide. Se preferir que alguém que já fez esse teste em produção monte o benchmark com você, fale com o time de engenharia da AlphaCorp AI.

Share
Newsletter · Semanal

Fique à frente em IA

Um e-mail por semana com as ideias de engenharia de IA, os agentes e as ferramentas que realmente importam.

Sem spamCancele quando quiserSempre grátis

Em cada edição
  1. 01Um agente construído de verdade, destrinchado passo a passo
  2. 02As ferramentas que ganharam lugar no nosso stack esta semana
  3. 03O que quebrou em produção, e o que mudamos

Escrito por Ignas Vaitukaitis, fundador da AlphaCorp AI.

Glowing data pathways converging across a dark futuristic landscape

Pronto para Lançar seu Sistema de IA?

Agende uma reunião gratuita e descubra na prática como a IA pode alavancar seu negócio. Sem enrolação, só uma conversa.