Vector DB
벡터 DB 비교
주요 벡터 DB의 호스팅 방식, 오픈소스 여부, 하이브리드·필터 지원, LangChain 패키지를 한눈에 비교
벡터 DB 비교
LangChain의 벡터 스토어는 모두 같은 VectorStore 인터페이스(add_documents, similarity_search, as_retriever …)를 구현하므로, 애플리케이션 코드는 거의 그대로 두고 DB만 교체할 수 있습니다. 차이는 운영 방식, 필터 문법, 하이브리드 검색 지원에 있습니다.
참고
아래 표는 2026년 10월 기준 각 DB의 공식 문서에 근거한 기능 요약이며 성능 수치는 싣지 않습니다. 성능은 데이터·하드웨어·설정에 따라 크게 달라지므로 자신의 데이터로 측정하세요. 기능은 버전마다 빠르게 바뀌니 최종 결정 전에 공식 문서를 확인하세요.
비교표
| DB | 배포 형태 | 오픈소스 | 하이브리드 (dense+sparse) | 메타데이터 필터 | LangChain 패키지 / 클래스 | AgentLab 설치 |
|---|---|---|---|---|---|---|
| InMemoryVectorStore | 프로세스 메모리 | ✅ (langchain-core) | ❌ | Python 함수 | langchain_core.vectorstores.InMemoryVectorStore | ✅ |
| Qdrant | 셀프호스트 / Qdrant Cloud / 로컬(:memory:, 파일) | ✅ Apache-2.0 | ✅ (RetrievalMode.HYBRID) | ✅ 강력 (models.Filter) | langchain-qdrant / QdrantVectorStore | ✅ |
| Chroma | 임베디드 / 서버 / Chroma Cloud | ✅ Apache-2.0 | ⚠️ Search API(hybrid_search) 기반, 배포 형태에 따라 다름 | ✅ (where, where_document) | langchain-chroma / Chroma | ✅ |
| pgvector | PostgreSQL 확장 (셀프호스트, RDS/Cloud SQL/Supabase 등) | ✅ | ⚠️ Postgres 전문 검색(tsvector)과 직접 조합 | ✅ (SQL / JSONB) | langchain-postgres / PGVector, PGVectorStore | ❌ |
| Pinecone | 완전 관리형 SaaS (서버리스) | ❌ | ✅ (sparse-dense) | ✅ ($eq, $in 등) | langchain-pinecone / PineconeVectorStore | ❌ |
| Weaviate | 셀프호스트 / Weaviate Cloud | ✅ BSD-3 | ✅ (BM25 + vector, alpha) | ✅ | langchain-weaviate / WeaviateVectorStore | ❌ |
| Milvus / Zilliz | 셀프호스트(Lite/Standalone/Distributed) / Zilliz Cloud | ✅ Apache-2.0 | ✅ (다중 벡터 필드, BM25 함수) | ✅ (불리언 표현식) | langchain-milvus / Milvus | ❌ |
| Elasticsearch | 셀프호스트 / Elastic Cloud | ⚠️ 라이선스 혼합(AGPL/SSPL/Elastic) | ✅ (BM25 + kNN, RRF) | ✅ (Query DSL) | langchain-elasticsearch / ElasticsearchStore | ❌ |
| MongoDB Atlas | Atlas 관리형 (Atlas Vector Search) | ❌ (서비스) | ✅ ($vectorSearch + Atlas Search) | ✅ (pre-filter, 필드 인덱싱 필요) | langchain-mongodb / MongoDBAtlasVectorSearch | ❌ |
| Redis | Redis Stack / Redis 8+ / Redis Cloud | ⚠️ 버전별 라이선스 상이 | ⚠️ 텍스트 필드 + 벡터 조합 | ✅ (tag/numeric/text 필터) | langchain-redis / RedisVectorStore | ❌ |
| FAISS | 라이브러리 (서버 아님) | ✅ MIT | ❌ | ❌ (래퍼에서 사후 필터) | langchain_community / FAISS (이 프로젝트에서는 사용 금지) | ❌ |
선택 가이드
| 상황 | 추천 |
|---|---|
| 학습, 단위 테스트, 수천 건 이하 프로토타입 | InMemoryVectorStore |
| 로컬 개발 → 그대로 프로덕션, 강력한 필터와 하이브리드가 필요 | Qdrant |
| 가장 간단한 임베디드 DB, 노트북·데스크톱 앱 | Chroma |
| 이미 PostgreSQL을 운영 중, 트랜잭션·조인과 함께 쓰고 싶음 | pgvector |
| 인프라 운영 없이 관리형 서버리스 | Pinecone |
| 하이브리드 검색과 모듈(벡터라이저)을 DB에서 처리 | Weaviate |
| 수억 건 이상, GPU 인덱스, 분산 클러스터 | Milvus |
| 기존 전문 검색(BM25) 인프라에 벡터 추가 | Elasticsearch |
| 운영 데이터가 MongoDB에 있음 | MongoDB Atlas |
| 낮은 지연, 캐시·세션과 같은 인프라 공유 | Redis |
| 오프라인 배치, 연구용 라이브러리 | FAISS |
공통 체크리스트
- 필터 문법이 DB마다 다르므로 리트리버 생성 코드를 한곳에 모아 두면 교체가 쉽습니다.
- ID 전략: 문서 ID를 결정적으로(예:
출처 경로 + 청크 번호의 해시) 만들어야 재색인 시 중복이 생기지 않습니다. Qdrant는 ID로 UUID 또는 정수만 허용합니다. - 점수 방향: 거리(작을수록 유사)인지 유사도(클수록 유사)인지 확인하세요.
- 백업·스냅샷·멀티테넌시·권한은 관리형 서비스와 셀프호스트 간 차이가 가장 큰 영역입니다.
팁
처음에는 InMemoryVectorStore나 Qdrant :memory:로 파이프라인을 완성하고, 평가 셋으로 품질을 확인한 뒤 운영 요구사항(규모, 관리 부담, 비용)에 맞춰 DB를 고르세요.