Qdrant vs Pinecone vs Weaviate vs Milvus: Quale Scegliere?

Il mercato dei vector database si è affollato rapidamente. Ogni vendor promette le migliori performance, il minore costo, e la massima facilità d'uso. Ovviamente non possono avere tutti ragione.

In Rayo Consulting abbiamo deployato sistemi RAG in produzione con tre dei quattro database in questa lista. Ecco quello che abbiamo imparato, senza marketing.

---

Il Panorama Attuale

Prima di entrare nel dettaglio, una mappa di posizionamento:

| Database | Tipo | Self-host | Managed Cloud | Open Source | |----------|------|-----------|---------------|-------------| | Qdrant | Vettoriale puro | ✓ | ✓ | ✓ (Apache 2.0) | | Pinecone | Vettoriale puro | ✗ | ✓ (solo) | ✗ | | Weaviate | Vettoriale + search | ✓ | ✓ | ✓ (BSD-3) | | Milvus | Vettoriale puro | ✓ | ✓ | ✓ (Apache 2.0) |

---

1. Qdrant

Architettura

Qdrant è scritto in Rust. Non è un dettaglio cosmetic: significa gestione della memoria deterministicamente sicura, zero garbage collector pauses, e performance consistenti sotto carico.

Usa HNSW (Hierarchical Navigable Small World) come indice principale, con supporto per filtri scalari durante la ricerca vettoriale (payload filtering). Quest'ultimo punto è spesso sottovalutato: la capacità di filtrare per metadata durante la ricerca — non prima, non dopo — è critica per sistemi multi-tenant.

Performance

Benchmark interno Rayo Consulting (Giugno 2024):
- Dataset: 5 milioni di vettori, dimensione 1536 (OpenAI)
- Hardware: Qdrant self-hosted, 32GB RAM, 8 vCPU

Latenza ricerca (top-10, ef=128):
- P50: 8ms
- P95: 22ms
- P99: 41ms

Throughput: 1.200 QPS con accuracy@10 = 0.97

Quando Scegliere Qdrant

• Hai bisogno di self-hosting per compliance o costo
• Il tuo use case richiede filtri complessi (multi-tenant, per-user data isolation)
• Vuoi un'opzione open source con licensing pulito
• Il team è a proprio agio con l'ops di un servizio Rust

Come Iniziare

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = QdrantClient(url="http://localhost:6333")

# Creazione collection
client.create_collection(
    collection_name="documenti_aziendali",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE),
)

# Inserimento con payload
client.upsert(
    collection_name="documenti_aziendali",
    points=[
        PointStruct(
            id=1,
            vector=[0.1, 0.2, ...],  # 1536 dimensioni
            payload={
                "testo": "Paragrafo del contratto...",
                "documento_id": "contratto_2024_001",
                "dipartimento": "legal",
                "access_level": "confidential",
                "data_creazione": "2024-06-01",
            }
        )
    ]
)

# Ricerca con filtro
from qdrant_client.models import Filter, FieldCondition, MatchValue

results = client.search(
    collection_name="documenti_aziendali",
    query_vector=query_embedding,
    query_filter=Filter(
        must=[
            FieldCondition(key="dipartimento", match=MatchValue(value="legal")),
            FieldCondition(key="access_level", match=MatchValue(value="confidential")),
        ]
    ),
    limit=10,
)

Pricing

• Self-hosted: Gratuito. Costo = infrastruttura.
• Qdrant Cloud: Free tier (1GB), poi ~$0.09/GB/mese per managed.

---

2. Pinecone

Architettura

Pinecone è il database "serverless" del mondo vettoriale. Niente da installare, niente da configurare, scala automaticamente. Questo è sia il suo punto di forza che il suo limite.

Usa un indice proprietario ottimizzato per cloud (non HNSW standard), con separazione tra hot storage (RAM) e cold storage per dataset grandi.

Performance

Pinecone ha due modalità:

• Serverless: scala a zero quando non in uso, ma cold start visibile
• Pod-based: performance predicibili, costo fisso

Pinecone Serverless (us-east-1, Maggio 2024):
- Dataset: 5 milioni di vettori
- Latenza P50: 35ms (include network round-trip)
- Latenza P95: 85ms
- Cold start dopo inattività: 200-400ms

Pinecone Pod (p2.x1):
- Latenza P50: 15ms
- Latenza P95: 30ms
- Costo: $0.096/ora (~$70/mese)

Quando Scegliere Pinecone

• Team senza esperienza ops che vuole zero configurazione
• Prototipo o MVP con timeline stretta
• Budget non è il vincolo primario
• Non hai requisiti di data residency UE

Limiti Critici

• No self-hosting: I tuoi dati vivono su infrastruttura Pinecone (US per default)
• Vendor lock-in: Migrazione costosa
• Prezzo: Diventa caro rapidamente a scale

import pinecone

pc = pinecone.Pinecone(api_key="YOUR_API_KEY")

index = pc.Index("documenti-aziendali")

# Upsert
index.upsert(vectors=[
    {
        "id": "doc-001",
        "values": [0.1, 0.2, ...],
        "metadata": {
            "testo": "...",
            "dipartimento": "legal"
        }
    }
])

# Query
results = index.query(
    vector=query_embedding,
    filter={"dipartimento": {"$eq": "legal"}},
    top_k=10,
    include_metadata=True
)

Pricing

• Serverless: $0.033 per milione di query + $0.00000025 per vector storage/mese
• Pod-based: da $0.096/ora per s1.x1

---

3. Weaviate

Architettura

Weaviate è diverso dagli altri: non è solo un vector database. È un knowledge graph vettoriale. Supporta classi di oggetti, relazioni tra oggetti, e può gestire ricerche ibride (vettoriale + keyword BM25) nativamente.

È scritto in Go, e supporta moduli plug-in per embedding automatico (puoi inserire testo raw e lasciare che Weaviate generi gli embedding internamente).

Quando Scegliere Weaviate

• Il tuo use case è naturalmente un knowledge graph (entità con relazioni)
• Vuoi hybrid search (BM25 + vettoriale) nativo senza infrastruttura extra
• Hai bisogno di GraphQL API per query flessibili

Hybrid Search Nativo

import weaviate
from weaviate.classes.query import HybridFusion

client = weaviate.connect_to_local()

collection = client.collections.get("DocumentiAziendali")

# Hybrid search: combina BM25 e vector search nativamente
results = collection.query.hybrid(
    query="clausole di rescissione contratto",
    alpha=0.75,  # 0 = solo BM25, 1 = solo vettoriale, 0.75 = prevalenza vettoriale
    fusion_type=HybridFusion.RELATIVE_SCORE,
    limit=10,
    return_metadata=weaviate.classes.query.MetadataQuery(score=True, explain_score=True)
)

for obj in results.objects:
    print(f"Score: {obj.metadata.score:.3f} | {obj.properties['titolo']}")

Limiti

• Complessità: Più configurazione rispetto a Qdrant o Pinecone
• Performance: Leggermente più lento di Qdrant per ricerche vettoriali pure
• RAM hungry: Il grafo in memory richiede più risorse

Pricing

• Self-hosted: Gratuito
• Weaviate Cloud: Free tier (sandbox 14 giorni), poi da $25/mese per Starter

---

4. Milvus

Architettura

Milvus è il veterano: nato nel 2019, è il vector database open source più maturo. È designed for scale massivo (miliardi di vettori). L'architettura è distribuita by design, con separazione tra storage, compute e coordinamento.

Zilliz Cloud è il managed service di Milvus.

Quando Scegliere Milvus

• Dataset enormi: Decine o centinaia di milioni di vettori
• Team con esperienza Kubernetes: L'architettura distribuita richiede ops skill
• Ecosistema PyTorch/ML: Ottima integrazione

Limiti per Use Case Tipici Enterprise

• Overhead operativo elevato: Richiede gestione di più componenti (etcd, MinIO, Pulsar)
• Overkill per < 10M vettori: A quella scala Qdrant è più semplice e veloce
• Curva di apprendimento: Concetti come Collections, Partitions, Segments richiedono studio

from pymilvus import MilvusClient

client = MilvusClient("http://localhost:19530")

client.create_collection(
    collection_name="documenti",
    dimension=1536,
)

client.insert(
    collection_name="documenti",
    data=[{
        "id": 1,
        "vector": [0.1, 0.2, ...],
        "testo": "...",
        "dipartimento": "legal"
    }]
)

results = client.search(
    collection_name="documenti",
    data=[query_embedding],
    filter="dipartimento == 'legal'",
    limit=10,
    output_fields=["testo", "dipartimento"]
)

---

Tabella di Confronto Finale

| Criterio | Qdrant | Pinecone | Weaviate | Milvus | |----------|--------|----------|----------|--------| | Performance pura | ★★★★★ | ★★★★ | ★★★★ | ★★★★ | | Facilità setup | ★★★★ | ★★★★★ | ★★★ | ★★ | | Self-hosting | ✓ | ✗ | ✓ | ✓ | | GDPR / Data residency EU | ✓ | Parziale | ✓ | ✓ | | Hybrid search | Parziale | ✗ | ✓ nativo | Parziale | | Scala (> 100M vettori) | ★★★★ | ★★★★★ | ★★★ | ★★★★★ | | Costo a scala | Basso | Alto | Medio | Basso | | Open source | ✓ | ✗ | ✓ | ✓ |

---

Raccomandazione per Caso d'Uso

Startup / MVP rapido: Pinecone. Zero ops, scala automaticamente, paghi solo quello che usi.

Enterprise con compliance GDPR: Qdrant self-hosted su EU cloud (AWS eu-central-1, Azure westeurope). Controllo totale, performance eccellenti, licenza pulita.

Use case documentale complesso con relazioni: Weaviate. Il knowledge graph + hybrid search nativo vale la complessità aggiuntiva.

Dataset > 100M vettori con team ML maturo: Milvus / Zilliz Cloud.

Default per nuovi progetti enterprise: Qdrant. Il rapporto performance/semplicità/costo è difficile da battere.

---

Devi scegliere un'architettura RAG per la tua azienda? Contattaci per una valutazione tecnica.