n8n Vector Store для продакшн RAG: pgvector vs. Qdrant vs. Pinecone
Порівняння pgvector, Qdrant і Pinecone як vector store для продакшн RAG у n8n: підтримка нод, масштабування, фільтрація та вартість.
Перевірено за наведеними джерелами .
Що змінюється, коли n8n RAG-воркфлоу переходить від прототипу до продакшну
Вибір правильного n8n vector store для продакшн RAG означає рішення про те, як ваш воркфлоу зберігатиме та отримуватиме ембединги, коли від відповіді залежатимуть реальні користувачі, а не лише демонстрація на воркшопі. Прототип може обійтися індексом у пам'яті, який зникає після перезапуску. Продакшн не може: індекс має переживати перезапуски, вміщувати всю базу знань і продовжувати відповідати на запити під час додавання нових документів.
Це перегукується з обмеженням, зазначеним у власному завданні n8n Balloon Challenges «Запитай свій Google Drive», де нода Simple Vector Store описана як придатна лише для демонстрації на воркшопі, а не для продакшн-використання. Ми вважаємо, що пропустити це попередження — один із найпростіших способів, завдяки якому n8n RAG-воркфлоу тихо ламається, коли надходить реальний трафік.
n8n Vector Store для продакшн RAG: підтримка нод у pgvector, Qdrant і Pinecone
Усередині n8n ці три сховища не є ідентичними будівельними блоками. Згідно з власною документацією n8n, нода PGVector Vector Store дозволяє воркфлоу вставляти документи в таблицю векторів Postgres, отримувати з неї документи або здійснювати пошук через неї, і та ж сама нода може працювати як звичайна нода, як інструмент для AI-агента або як retriever для ланцюжка. Документація n8n описує ноду Qdrant Vector Store так само: вставка, отримання і пошук у колекції Qdrant, яку можна використовувати як звичайну ноду, інструмент агента або retriever.
- Звичайна нода: вставляти або отримувати документи безпосередньо в кроці воркфлоу
- Інструмент AI Agent: дозволити агенту викликати vector store як один із своїх інструментів
- Retriever: автоматично надавати знайдені документи ланцюжку або агенту
Документація ноди Pinecone додає один режим, не задокументований для двох інших: оновлення наявного векторного запису за його ID, а не лише вставка чи пошук. Якщо ваш продакшн-дизайн залежить від оновлення ембедингів на місці, перевірте документацію кожної ноди перед тим, як прийняти рішення, оскільки ці три ноди не надають однакових режимів.
Sources: PGVector Vector Store | Nodes | n8n Docs, Qdrant Vector Store | Nodes | n8n Docs, Pinecone Vector Store | Nodes | n8n Docs
Масштабування і дизайн індексу: операційні витрати для pgvector і Qdrant
Коли одного інстансу Postgres стає недостатньо, власна документація pgvector спрямовує команди до горизонтального масштабування за допомогою read-реплік або до інструментів шардингу, таких як Citus чи PgDog, а не до вбудованого розподіленого режиму. Це реальний інженерний проєкт, а не прапорець у конфігурації.
Власна продакшн-документація Qdrant побудована навколо подібної підготовчої роботи: планування мультитенантності, масового завантаження та того, у якому рівні пам'яті зберігатиметься колекція в міру зростання. Її продакшн-чекліст також стверджує, що self-hosted open-source інстанс Qdrant за замовчуванням не має автентифікації, тож встановлення API-ключа — мінімальний крок перед будь-яким продакшн-розгортанням, і позначає рішення щодо сховища та розміру обладнання як важко зворотні, коли розгортання вже працює.
Sources: GitHub - pgvector/pgvector: Open-source vector similarity search for Postgres · GitHub, Production & Operations - Qdrant, Production Checklist - Qdrant
Компроміси фільтрації Pinecone та що стверджують бенчмарки кожного постачальника
Pinecone формулює свою архітектуру фільтрації навколо конкретного компромісу: у поясненні 2023 року Pinecone описує попередню фільтрацію перед векторним пошуком як точну, але повільну, оскільки вона вимагає виснажливого брутфорс-сканування, і це одна з причин, чому Pinecone вбудувала фільтрацію за метаданими безпосередньо у свій serverless-рушій. У власній дослідницькій статті Pinecone на ICML 2025 про цей serverless-дизайн інженери Pinecone повідомляють про середній Recall@10 0,989 на бенчмарку фільтрованого ANN YFCC, який утримується в широкому діапазоні вибірковості фільтрів.
Qdrant робить паралельне твердження від першої особи: згідно з власним бенчмарком Qdrant, оновленим у січні та червні 2024 року, Qdrant повідомляє про найвищу кількість запитів на секунду та найнижчу латентність майже в кожному протестованому сценарії, включно з 4-кратним приростом RPS на одному наборі даних. Сторінка власного бенчмарку Qdrant чесно визнає, що автори знають свій продукт найкраще і можуть не налаштувати конкурентні рушії так само ретельно.
Наша думка така: бенчмарк, проведений постачальником, корисний для скорочення списку кандидатів, але не для остаточного рішення: сприймайте ці цифри як відправну точку, а потім перевірте фільтрацію за метаданими та recall на власних документах, перш ніж приймати рішення.
Sources: Vector Search Benchmarks - Qdrant, https://www.pinecone.io/research/ICML_2025.pdf, The Missing WHERE Clause in Vector Search
Відмінності у вартості та моделях ціноутворення
Механіка ціноутворення відрізняється не менше, ніж сама технологія. Документація Pinecone встановлює фіксовані операційні обмеження, які не змінюються залежно від плану, такі як межі швидкості запитів і максимум 1000 записів (до 2 МБ) на пакет upsert із обмеженням top_k у 10 000 — обмеження, навколо яких потрібно будувати n8n-воркфлоу інжестингу з самого початку. Власна документація Pinecone щодо вартості описує її serverless-тарифікацію як повністю засновану на використанні, з оплатою лише за збережені дані та виконані операції, а неактивний індекс нічого не коштує.
Qdrant Cloud тарифікує інакше: ціноутворення на основі ресурсів, пов'язане з vCPU, RAM і диском, тож більший кластер коштує дорожче, з оплатою щомісяця постфактум за використання попереднього місяця. Self-managed open-source Qdrant не передбачає жодної оплати на бік Qdrant, але тоді його місце займає ваш власний рахунок за інфраструктуру.
Sources: Pinecone Database limits overview - Pinecone Docs, Operation limits - Pinecone Docs, Understanding Pinecone cost - Pinecone Docs, Pricing for Cloud and Vector Database Solutions Qdrant, Billing & Payments - Qdrant
Посібник із прийняття рішення: відповідність сховища обмеженням вашої команди
Немає єдиного найкращого n8n vector store для продакшн RAG, який підходить кожній команді; правильний вибір залежить більше від ваших обмежень, ніж від будь-якого окремого числа з бенчмарку.
| Критерій | pgvector | Qdrant | Pinecone |
|---|---|---|---|
| Модель хостингу | Self-hosted у складі Postgres | Self-hosted або Qdrant Cloud | Повністю керований serverless |
| Підхід до масштабування | Репліки або шардинг через Citus/PgDog | Планування мультитенантності та рівнів пам'яті | Керується Pinecone, оплата за використання |
| Режими ноди n8n | Вставка, отримання, пошук, інструмент агента, retriever | Вставка, отримання, пошук, інструмент агента, retriever | Вставка, отримання, пошук, оновлення за ID, інструмент агента, retriever |
| Безпека за замовчуванням (self-hosted) | Невідомо | Без автентифікації за замовчуванням; потрібен API-ключ | Не застосовується (керований сервіс) |
| Модель ціноутворення | Лише вартість інфраструктури | На основі ресурсів, оплата щомісяця постфактум | На основі використання, оплата за збережені дані та операції |
| Фіксовані операційні обмеження | Не задокументовано в наданих джерелах | Не задокументовано в наданих джерелах | Обмеження пакету в 1000 записів, максимум top_k 10 000 |
Рекомендації нижче підсумовують, як задокументовані компроміси співвідносяться з кількома типовими ситуаціями команд.
Ми загалом за те, щоб починати n8n RAG-воркфлоу з pgvector, коли команда вже використовує Postgres, оскільки це дозволяє уникнути розгортання абсолютно нової системи, перш ніж хтось довів, що вона справді потрібна; переходьте на Qdrant або Pinecone, коли конкретне обмеження масштабування чи фільтрації, а не припущення, змушує до цього питання.
Яке сховище ви б не обрали, стандартизація цього рішення щодо n8n vector store для продакшн RAG у команді, замість того, щоб кожен воркфлоу обирав довільно, — це те, що робить майбутній аудит простим.
Sources: PGVector Vector Store | Nodes | n8n Docs, Qdrant Vector Store | Nodes | n8n Docs, Pinecone Vector Store | Nodes | n8n Docs, GitHub - pgvector/pgvector: Open-source vector similarity search for Postgres · GitHub, Production & Operations - Qdrant, Production Checklist - Qdrant, Pinecone Database limits overview - Pinecone Docs, Operation limits - Pinecone Docs, Understanding Pinecone cost - Pinecone Docs, Pricing for Cloud and Vector Database Solutions Qdrant, Billing & Payments - Qdrant
