LabHub

블로그

벡터 DB 지형 2026 — Pinecone Serverless·Turbopuffer·pgvectorscale·Qdrant·Weaviate·Vespa 한 장에 정리하는 딥다이브

2026-05-14 · 29 분 읽기 · #vector-database#pinecone#turbopuffer#pgvector#qdrant#weaviate#milvus#vespa#rag

한국어English日本語

프롤로그 — 2년 사이에 지형이 통째로 바뀌었다

2024년 봄에 RAG 파일럿을 시작했을 때, 벡터 DB 선택지는 비교적 단순했다. Pinecone은 비싸고 관리는 편했다. Weaviate는 모듈러였지만 자체 호스팅은 운영 부담이 컸다. Chroma는 노트북용 장난감이었다. pgvector는 "작은 데이터셋에만 쓸 수 있다"는 통념이 있었다.

2026년 5월 시점에 그 통념은 거의 다 깨졌다.

이 글은 지난해 4월의 "벡터 DB 비교 — Pinecone·Weaviate·Chroma·pgvector"의 후속편이다. 그쪽은 입문용 비교였고, 이건 2026년 5월 기준 실제 운영 지형을 비용·아키텍처·실패 사례로 한 장에 정리하는 딥다이브다.

흐름:

  1. 무엇이 바뀌었나 — 가격 붕괴와 오브젝트 스토리지 혁명
  2. 매니지드 SaaS — Pinecone Serverless, Turbopuffer, Zilliz Cloud
  3. 오픈소스 전용 엔진 — Qdrant, Weaviate, Milvus, Vespa, Vald
  4. Postgres 진영 — pgvector + pgvectorscale + Supabase·Neon·Tiger
  5. 임베디드·분석형 — Chroma, LanceDB, DuckDB VSS
  6. 범용 DB의 벡터 — MongoDB Atlas, Couchbase, Elasticsearch/OpenSearch
  7. 하이브리드 검색 표준 — BM25 + 밀집 + 리랭커
  8. 비용 매트릭스 — 1M 벡터당 월 얼마인가
  9. 결정 다이어그램 — "pgvector vs 전용" 갈림길
  10. 운영 안티패턴
  11. 에필로그 — 체크리스트와 다음 글 예고

1. 무엇이 바뀌었나 — 가격 붕괴와 오브젝트 스토리지 혁명

1-1. 가격 곡선

2023~2024년의 Pinecone은 p1.x1 포드를 띄우는 데 시간당 0.10달러쯤이 기본이었다. 1억 벡터를 안정적으로 굴리려면 월 수천 달러는 깔고 들어갔다. 2024년 1월에 발표된 Serverless 아키텍처가 모든 걸 바꿨다 — 컴퓨트와 스토리지를 분리하고, 콜드 데이터는 오브젝트 스토리지로 내리고, 쿼리 단위로만 과금. 2026년 시점의 표준 가격(Standard 플랜):

항목단가비고
Read1M read units 당 8.25달러1 read unit ≈ 1KB 페이로드 1회 검색
Write1M write units 당 2달러업서트·삭제 모두 포함
StorageGB·월 0.33달러메타데이터 포함
Capacity (예약형)별도 시간당 과금고동시성 워크로드에서 활성화
무료 티어2GB · 인덱스 5개1프로젝트, SLA·RBAC·서포트 없음

작은 RAG(1M 벡터, 일 수만 쿼리)는 월 5~15달러로 떨어졌다. 큰 워크로드는 여전히 비싸지만, 예약형 capacity 청구서가 갑자기 튀는 사례를 보고 들어가는 게 안전하다.

1-2. 오브젝트 스토리지 혁명 — Turbopuffer의 충격

Simon Eskildsen이 Cursor·Notion에 깔리는 Turbopuffer를 만들면서 한 일은 단순했다. "기본 스토리지는 S3·GCS, SSD는 캐시로만 쓴다." 비용은 TB·월 약 70달러로, 전통적인 SSD 3중화(약 600달러)·RAM 캐시 기반(약 1,600달러) 대비 한 자릿수에서 두 자릿수 차이.

2026년 시점의 운영 규모:

Zilliz는 "스토리지 비용이 전부는 아니다 — 콜드 데이터 미스 시 지연 페널티가 크다"고 반박했지만, 워크로드의 절대다수가 콜드라는 사실이 진영을 갈랐다. 검색 페이지의 롱테일·아카이브·다국어 인덱스에선 Turbopuffer 모델이 압도적으로 싸다.

1-3. "그냥 Postgres 써" 운동

Timescale(현 Tiger Data)이 만든 pgvectorscale이 결정타였다. pgvector 위에 StreamingDiskANN 인덱스 타입을 추가하면서, 5천만 벡터·768차원에서:

여기에 Statistical Binary Quantization(SBQ)·Filtered DiskANN(라벨 기반 사전 필터링) 같은 차별점이 붙었다. 2025년 11월에 v0.9.0이 나오면서 PG18과 동시 인덱스 빌드를 지원했고, 2026년 3월에 TimescaleDB 2.26.0과 함께 묶여 Tiger Cloud로 배포됐다.

핵심 메시지는 단순하다 — 이미 Postgres가 운영 중이면 새 DB를 들이지 마라.

2. 매니지드 SaaS — Pinecone Serverless, Turbopuffer, Zilliz Cloud

2-1. Pinecone Serverless

2026년 5월 시점 Pinecone의 위치는 "가장 무난한 매니지드 픽". 무료 티어가 넉넉해서 프로토타입은 사실상 무료, 인프라 운영 부담은 0. 단점은 두 가지:

언제 고르나:

2-2. Turbopuffer

"오브젝트 스토리지 우선" 설계라는 단어 자체를 만든 회사. 핸드폰 인덱스부터 4조 도큐먼트까지 한 가격표로 쓴다. 2026년 가격대(공개 기준):

스토리지 약 0.02달러/GB(S3·GCS 직과), 캐시 SSD 약 0.1달러/GB, 쿼리·쓰기는 사용량 기반. 콜드 데이터 100배 저렴, 웜 데이터 6~20배 저렴이라는 주장이 운영 사례로 뒷받침된다(Cursor·Notion).

약점:

언제 고르나:

2-3. Zilliz Cloud (Milvus 2.6 매니지드)

Zilliz Cloud는 2026년 1월 Milvus 2.6.x를 GA로 올렸다. 컴퓨트 시간당 0.096달러, 스토리지 GB·월 0.02달러. 강점은 두 가지:

언제 고르나:

3. 오픈소스 전용 엔진 — Qdrant, Weaviate, Milvus, Vespa, Vald

3-1. Qdrant — Rust, 필터 강자

Qdrant의 2026년은 두 가지 사건으로 요약된다.

강점:

약점:

3-2. Weaviate — 모듈러 + 멀티벡터

Weaviate는 2026년 시점 하이브리드 검색·ColBERT 멀티벡터·리랭커 모듈에서 선두에 가깝다. BM25F + 밀집을 하나의 쿼리로 묶어 가중치·퓨전을 설정하는 게 1급 시민이다. 라이팅·생성기 모듈로 RAG 파이프라인 자체를 DB 안에 둘 수 있다.

언제 고르나:

3-3. Milvus — 스케일과 GPU

오픈소스 Milvus는 2.6.x에서 더 유연한 CAGRA 배포(하이브리드 GPU·CPU), 분리형 스토리지·인덱스 노드, 더 가벼운 메타데이터 서비스를 가져왔다. 자체 호스팅도 가능하지만, 실제 운영은 거의 다 Zilliz Cloud로 흐른다.

3-4. Vespa — 실시간 검색 + 벡터 하이브리드

Yahoo에서 분사된 Vespa는 2026년에 AI 검색 플랫폼으로 리브랜딩됐다. 강점은 "벡터 + BM25 + 텐서 + 머신러닝 랭킹을 하나의 쿼리로". Spotify 검색이 실시간 HNSW를 이걸로 굴린다.

특이점:

언제 고르나:

3-5. Vald — Yahoo Japan의 OSS

Vald는 Yahoo JAPAN이 NGT를 기반으로 만든 Kubernetes 네이티브 ANN 엔진. 빌리언 스케일을 밀리초로 처리하는 사례가 일본 내부에선 많다. 2024년 이후 글로벌 활동은 줄었지만, K8s 친화·gRPC 우선 설계는 여전히 가치가 있다. 일본 시장 또는 NGT 알고리즘 의존이 분명한 곳에 권장.

4. Postgres 진영 — pgvector + pgvectorscale + Supabase·Neon·Tiger

4-1. pgvector + pgvectorscale

2026년 5월 기준, "그냥 Postgres 써"가 농담이 아닌 이유:

자체 호스팅 운영 시 단점:

4-2. 매니지드 — Supabase, Neon, Tiger Cloud

언제 고르나:

5. 임베디드·분석형 — Chroma, LanceDB, DuckDB VSS

5-1. Chroma — 개발자 친화, Cloud 합류

Chroma는 1.0이 한참 지나 2026년 5월 기준 1.5.9. 2025년 8월 Chroma Cloud GA, 11월 BM25·SPLADE 희소 벡터 1급 지원, 2026년 1월 CMEK, 2월 메타데이터 배열·contains 연산자.

여전히 가장 "쉬운" 시작점이다. pip install chromadb로 5분이면 RAG 데모 완성. 하지만 1억 벡터 이상에선 다른 도구가 낫다.

5-2. LanceDB — Lance 컬럼나, 임베디드 우선

LanceDB는 Lance 컬럼나 포맷 위에 만든 인프로세스 벡터 DB. Rust로 코어를 짰고, Python·Node·Rust·REST API를 제공한다. "데이터 레이크 위의 벡터"라는 포지셔닝이 분명하다.

장점:

언제 고르나:

5-3. DuckDB VSS — 분석 한복판에서 벡터

DuckDB의 VSS 익스텐션은 ARRAY 컬럼 위에 HNSW 인덱스를 만든다. INSTALL vss; LOAD vss; 두 줄로 끝. array_cosine_distance, array_negative_inner_product가 인덱스로 가속된다.

INSTALL vss;
LOAD vss;
CREATE TABLE docs (id INTEGER, embedding FLOAT[768]);
CREATE INDEX idx ON docs USING HNSW (embedding)
  WITH (metric = 'cosine');
SELECT id FROM docs
ORDER BY array_cosine_distance(embedding, ?::FLOAT[768])
LIMIT 5;

VSS는 아직 실험적(experimental)이라 프로덕션 권장은 아니다. 그러나 분석 워크플로 안에서의 벡터 검색(데이터 사이언티스트의 노트북에서 임시 인덱스 띄워 탐색) 용도는 이미 강력하다.

언제 고르나:

6. 범용 DB의 벡터 — MongoDB Atlas, Couchbase, Elasticsearch/OpenSearch

기존 DB들이 벡터 컬럼·인덱스를 붙이는 흐름이 2024~2026 사이에 사실상 표준이 됐다.

이쪽 진영의 가치 명제는 단순하다 — "이미 우리 DB가 있으면 벡터 컬럼 하나 더 만들고 끝낸다." 운영 일관성이 가장 큰 장점.

7. 하이브리드 검색 표준 — BM25 + 밀집 + 리랭커

2026년에 "벡터 검색만으로 충분하다"는 주장은 거의 사라졌다. 표준 RAG 파이프라인은 세 단계.

질의(query)
  ├─ BM25 검색 (희소) ──┐
  ├─ 밀집 벡터 검색 ─────┼──> Reciprocal Rank Fusion 또는 가중합
  └─ (선택) ColBERT/Late ┘
                            │
                            ▼
                        후보 50~200건
                            │
                            ▼
                  Cross-Encoder 리랭커
                  (Cohere Rerank 3.5,
                   Voyage Rerank 2.5,
                   Jina Reranker v3,
                   BGE Reranker)
                            │
                            ▼
                        최종 5~10건 → LLM

임베딩·리랭커 풍경 (2026년 4월 MTEB 기준)

운영 팁:

8. 비용 매트릭스 — 1M 벡터당 월 얼마인가

대략의 자체 산정. 1M 벡터, 1536차원, 일일 1만 쿼리, 한국·미국 리전 자체 호스팅 또는 매니지드 표준 플랜 가정. 정확한 단가는 운영 패턴·약정에 따라 다르다.

옵션월 비용 추정비고
Pinecone Serverless (Standard)5~30달러무료 티어가 2GB·5인덱스이므로 1M·1536D면 free에 거의 들어옴
Turbopuffer (Launch)64달러 고정 + 사용량인덱스 여러 개 합쳐도 1M은 Launch 안
Zilliz Cloud (Serverless 소형)30~80달러CU 시간당 0.096달러 + 스토리지
Qdrant Cloud25~70달러단일 노드 기준
Weaviate Cloud25~80달러모듈 활성화 따라 변동
pgvector + pgvectorscale on Tiger20~60달러시계열·트랜잭션 같이 사용 시 가성비 좋음
Supabase (Pro + pgvector)25달러부터인증·Realtime 포함
Neon (서버리스 pgvector)19달러부터branching이 강력
LanceDB OSS0달러스토리지 비용만 (S3 등)
Chroma OSS0달러인프라 비용만
DuckDB VSS0달러인프로세스, 실험적
MongoDB Atlas Vector30~100달러M10 인스턴스부터
Elasticsearch (Elastic Cloud)95달러부터BM25 + kNN

100M 벡터 구간에서 격차가 벌어진다. Turbopuffer·pgvectorscale·Milvus 자체 호스팅이 가격·성능 비율에서 강하다. 1B 벡터 이상이면 Milvus/Vespa/Vald 같은 분산 엔진이 사실상 필수.

9. 결정 다이어그램 — "pgvector vs 전용" 갈림길

                          ┌──────────────────────────────┐
                          │  벡터 100K 미만, 프로토타입   │──> Chroma / LanceDB / DuckDB VSS
                          └──────────────────────────────┘
                                       │
                                       ▼
                          ┌──────────────────────────────┐
                          │ 이미 Postgres 운영 중?       │
                          └─────────────┬────────────────┘
                                        │
                          예 ◀──────────┴──────────▶ 아니오
                          │                          │
                          ▼                          ▼
            ┌────────────────────────┐   ┌──────────────────────────┐
            │ 벡터 1B 미만 +         │   │ 인프라 팀 없음 +         │
            │ 트랜잭션·JOIN 필요     │   │ "이번 분기에 결과"        │──> Pinecone Serverless
            │ → pgvector +            │   └─────────────┬────────────┘
            │   pgvectorscale         │                 │
            │   (Tiger / Supabase /   │                 ▼
            │    Neon)                │   ┌──────────────────────────┐
            └────────────────────────┘   │ 콜드 비중 큼 + 비용 민감 │──> Turbopuffer
                                         └─────────────┬────────────┘
                                                       │
                                                       ▼
                                         ┌──────────────────────────┐
                                         │ 자체 호스팅 OK +          │
                                         │ 필터·페이로드 강함        │──> Qdrant
                                         └─────────────┬────────────┘
                                                       │
                                                       ▼
                                         ┌──────────────────────────┐
                                         │ ColBERT 멀티벡터 +        │
                                         │ 모듈러 RAG               │──> Weaviate
                                         └─────────────┬────────────┘
                                                       │
                                                       ▼
                                         ┌──────────────────────────┐
                                         │ 100M+ + GPU 인프라        │──> Milvus / Zilliz
                                         └─────────────┬────────────┘
                                                       │
                                                       ▼
                                         ┌──────────────────────────┐
                                         │ 검색이 본업 +             │
                                         │ ML 랭킹 통합             │──> Vespa
                                         └──────────────────────────┘

기본 분기점은 단순하다.

  1. 이미 Postgres가 있으면 pgvector + pgvectorscale부터 시도. 90%의 RAG는 여기서 끝난다.
  2. 운영 인력이 없으면 Pinecone Serverless. 무료 티어가 넓다.
  3. 콜드 데이터가 많으면 Turbopuffer. 가격이 한 자릿수 다르다.
  4. 필터가 강하면 Qdrant, 모듈러 RAG면 Weaviate, 스케일·GPU면 Milvus/Zilliz, 검색이 본업이면 Vespa.
  5. 노트북·CLI는 Chroma·LanceDB·DuckDB VSS.

10. 운영 안티패턴

운영에서 자주 보는 사고들. 정직하게 적어두자.

11. 에필로그 — 체크리스트와 다음 글 예고

결정 체크리스트

운영을 시작하기 전에 자기 자신에게 던지는 질문 12개.

다음 글 예고

다음 글에서는 "RAG 평가 파이프라인 핸즈온 — RAGAS·Ragas·Phoenix·LangSmith로 retriever·reranker·generator를 각각 측정하기"를 다룬다. 벡터 DB를 골랐다고 끝이 아니다. 답변 품질이 떨어지면 어디서 떨어졌는지(retrieval recall·rerank precision·generation faithfulness) 분리해 측정할 수 있어야 운영이 된다. 본문에서 다룬 모든 DB가 같은 평가 프레임 안에서 비교 가능해진다.

참고 / References

댓글

아직 댓글이 없습니다.

로그인하면 댓글을 쓸 수 있습니다