3.3 Vector DB Karşılaştırma — Qdrant, Pinecone, Chroma, pgvector, Weaviate¶
Yabancı kelime mi gördün?
Self-host = kendi sunucunda çalıştırmak (Docker / VPS). Managed (yönetilen) = başka birinin sunucusunda çalışır, sen ay sonunda fatura ödersin. Index (dizin) = vektörler arasında hızlı arama için kurulan yapı (HNSW, IVF). Payload (yük) = vektörün yanına koyduğun ekstra veri (metin, tarih, kullanıcı ID). Filter (süzgeç) = arama yaparken payload'a göre daraltma (sadece 2026 yılındakiler gibi). QPS (queries per second) = saniyede kaç sorgu işlenir.
Neden bu sayfa?¶
3.2'de embedding modelini seçtin — voyage-4, OpenAI text-embedding-3, BGE-M3 vb. Artık elinde sayı dizileri (vektörler) var. Bu vektörleri nereye yazacaksın? Listeye koyup RAM'de tutmak küçük deneme için olur (100 vektör), ama 100.000 vektörde 5 GB RAM yer — üretimde sürdürülemez. Vector DB tam burada devreye girer: vektörleri diske yazar, hızlı arama için indeksler, payload + filter ile zenginleştirir.
İkincisi: 5 ciddi seçenek var, birbirinden ciddi farklar. Qdrant Rust-yazılı, hızlı, self-host dostu. Pinecone managed SaaS, enterprise. Chroma Python-first, lokal prototip için ideal. pgvector PostgreSQL eklentisi, "DB iki yerde olmasın" diyenler için. Weaviate GraphQL + modüler, zengin entegrasyon. Bu sayfa 5'ini yan yana gösterir, projen için doğru olanı seçmene yardım eder.
Üçüncüsü: Platform Qdrant-first tercihi yapar (9.4 RAG Chatbot ve sonraki referans projeler Qdrant kullanır). Sebep dogmatik değil; bu sayfada 5 somut gerekçe verilir. Sen "Qdrant değil Chroma isterim" dersen platform seni engelemez — alternatifi açıkça gösterir.
Tek ekranda harita — 5 seçenek, 3 eksen¶
flowchart TB
subgraph SELF["💻 Self-host (Docker)"]
Q["🟠 Qdrant\nRust, hızlı\nplatform default"]
CH["🟣 Chroma\nPython-first\nembedded/Docker"]
W["🔵 Weaviate\nGraphQL + modular"]
end
subgraph MANAGED["☁️ Managed (SaaS)"]
P["🟢 Pinecone\nenterprise, ücretli"]
QC["🟠 Qdrant Cloud\nmanaged versiyon"]
end
subgraph DB["🗄 Mevcut DB içinde"]
PG["🔵 pgvector\nPostgreSQL eklentisi"]
end
USER["👤 Sen"]
Q1{"Veri boyutu\nne kadar?"}
Q2{"Ekip +\nbütçe?"}
Q3{"Zaten\nPostgreSQL?"}
USER --> Q1
Q1 -->|"<100K vektör"| CH
Q1 -->|"100K-10M"| Q
Q1 -->|">10M"| P
Q1 -->|"Orta + yerel"| W
USER --> Q3
Q3 -->|"Evet, mevcut DB"| PG
USER --> Q2
Q2 -->|"Solo, düşük bütçe"| SELF
Q2 -->|"Ekip, enterprise"| MANAGED
classDef self fill:#fef3c7,stroke:#ca8a04,color:#111
classDef managed fill:#fef3c7,stroke:#ca8a04,color:#111
classDef db fill:#dbeafe,stroke:#2563eb,color:#111
classDef user fill:#ddd6fe,stroke:#7c3aed,color:#111
classDef dec fill:#fed7aa,stroke:#ea580c,color:#111
class Q,CH,W self
class P,QC managed
class PG db
class USER user
class Q1,Q2,Q3 dec3 karar düğümü:
- Veri boyutu — küçük (Chroma), orta (Qdrant), çok büyük (Pinecone/Qdrant Cloud), orta + yerel (Weaviate).
- Mevcut altyapı — PostgreSQL zaten varsa
pgvectoriki DB sakınılır. - Ekip + bütçe — solo + düşük bütçe self-host, enterprise + uptime taahhüdü managed.
🟠 Qdrant — platform default tercihi¶
Şirket: 2021 Berlin kurulu, Rust yazılı açık kaynak. Apache 2.0 lisans.
Teknik özet¶
| Boyut | Değer |
|---|---|
| Dil | Rust (Python/JS/Go/Java SDK) |
| Index | HNSW (hızlı retrieval) |
| Payload filter | ✅ Zengin (eq, range, geo, text match) |
| Self-host | ✅ Docker tek komut |
| Managed | ✅ Qdrant Cloud (\(0-\)XXX/ay) |
| Sürüm | v1.17.1 (2026 Nisan) |
| SDK (Python) | qdrant-client 1.17.1 |
Güçlü yönler¶
- Rust hızı — 1M vektör arasında 100ms altı retrieval; Chroma/pgvector'dan 2-5× hızlı
- Scalar quantization — vektör boyutunu 4× küçültür, RAM düşer, kalite %1-3 kaybı
- Payload filter zengin — "2026 yılında ve yazar=X olan" tipi karma sorgular tek çağrıda
- Docker tek komut kurulum —
docker run qdrant/qdrantyeterli - Self-host ve managed aynı API — başta Docker'da başla, büyüyünce Qdrant Cloud'a geç, kod aynı
- Ücretsiz managed tier — Qdrant Cloud'da 1 GB free cluster
Zayıf yönler¶
- Python-first değil; dashboard UI Chroma kadar şirin değil
- GraphQL yok (Weaviate'in avantajı)
- Dokümantasyon bazı kenar durumlarda eksik (SDK parametreleri)
Örnek kod¶
# pip install qdrant-client==1.17.1
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, PointStruct, VectorParams
client = QdrantClient(url="http://localhost:6333")
# Collection oluştur (ilk kez)
client.create_collection(
collection_name="belgelerim",
vectors_config=VectorParams(size=1024, distance=Distance.COSINE),
)
# Vektör yaz
client.upsert(
collection_name="belgelerim",
points=[
PointStruct(id=1, vector=[0.12]*1024, payload={"metin": "İlk belge"}),
PointStruct(id=2, vector=[0.15]*1024, payload={"metin": "İkinci belge"}),
],
)
# Ara
result = client.search(
collection_name="belgelerim",
query_vector=[0.13]*1024,
limit=5,
)
for r in result:
print(f"ID: {r.id}, skor: {r.score:.3f}, metin: {r.payload['metin']}")
Ne zaman Qdrant?¶
- Orta-büyük proje (10K-10M vektör)
- Self-host istiyorsun (gizlilik, maliyet kontrolü)
- Zengin payload filter gerek (e-ticaret, belge arama)
- Sonra managed'a geçiş opsiyonu açık kalsın
- Platform default — sen aksi diyecek özel gerekçe yoksa Qdrant seç.
🟢 Pinecone — managed enterprise¶
Şirket: 2019 kurulu, tam-managed SaaS. Vector DB pazarının öncüsü.
Teknik özet¶
| Boyut | Değer |
|---|---|
| Self-host | ❌ Yok |
| Managed | ✅ Tam-managed |
| Free tier | 1 index, 100K vektör, sınırlı |
| Ücretli | Starter $70/ay, Standard $200/ay+ |
| SDK | pinecone 8.1.2 (Python) |
Paket adı değişti
Eski pinecone-client paketi 2024'te pinecone olarak yeniden isimlendirildi. GitHub'da 2023 örneği görürsen pip install pinecone-client yazıyorsa eski, pip install pinecone yeni.
Güçlü yönler¶
- Sıfır-ops — sen yönetmezsin, uptime SLA Pinecone'da
- Yüksek ölçek — 100M+ vektör rahat
- Enterprise destek + güvenlik sertifikaları (SOC 2, HIPAA)
- Geniş topluluk + dokümantasyon
Zayıf yönler¶
- Ücretli başlıyor — serious kullanım $70+/ay
- Vendor lock-in — veri Pinecone'da, taşıma zor
- Self-host yok — veri gizliliği hassasına uygun değil
- API değişiklikleri SDK'ya yansıyınca eski kod kırılır (2024'te büyük API rewrite yaşandı)
Örnek kod (2026, Pinecone SDK v8)¶
# pip install pinecone==8.1.2
from pinecone import Pinecone, ServerlessSpec
pc = Pinecone(api_key="your-api-key")
# Index oluştur (ilk kez)
pc.create_index(
name="belgelerim",
dimension=1024,
metric="cosine",
spec=ServerlessSpec(cloud="aws", region="us-east-1"),
)
index = pc.Index("belgelerim")
# Vektör yaz
index.upsert(
vectors=[
{"id": "1", "values": [0.12]*1024, "metadata": {"metin": "İlk belge"}},
{"id": "2", "values": [0.15]*1024, "metadata": {"metin": "İkinci belge"}},
],
)
# Ara
result = index.query(vector=[0.13]*1024, top_k=5, include_metadata=True)
for r in result.matches:
print(f"ID: {r.id}, skor: {r.score:.3f}, metin: {r.metadata['metin']}")
Ne zaman Pinecone?¶
- Enterprise ekip, "uptime bizim derdimiz değil"
- 10M+ vektör, ölçek zorunlu
- Bütçe problem değil
- Self-host istemiyorsun / istemezsin
- Kurumsal sertifika (HIPAA, SOC 2) şart
🟣 Chroma — Python-first prototip dostu¶
Şirket: 2022 kurulu, MIT lisans. AI uygulamalarına özel tasarlanmış.
Teknik özet¶
| Boyut | Değer |
|---|---|
| Dil | Python ağırlıklı, Rust altyapı (yeni) |
| Modlar | Embedded (in-memory) + Server (Docker) |
| Lisans | Apache 2.0 |
| SDK | chromadb 1.5.8 |
Güçlü yönler¶
- Python'a doğal —
pip install chromadb+ 5 satır kod, çalışıyor - Embedded mod — uygulamanın içinde çalışır, ayrı servis gerekmez (hızlı prototip)
- LangChain/LlamaIndex entegrasyonları default gelir
- Öğrenme eğrisi düşük — çoğu tutorial Chroma ile başlar
Zayıf yönler¶
- Büyük hacim (1M+) yavaşlar
- Payload filter Qdrant'a kıyasla sınırlı
- 2024'te Rust rewrite oldu; eski kod bazı yerlerde kırıldı (1.x → 1.5.x geçiş)
- Production refleksi Qdrant kadar sağlam değil
Örnek kod¶
# pip install chromadb==1.5.8
import chromadb
# Embedded (dosyaya persist)
client = chromadb.PersistentClient(path="./chroma_db")
collection = client.get_or_create_collection(name="belgelerim")
collection.add(
ids=["1", "2"],
embeddings=[[0.12]*1024, [0.15]*1024],
documents=["İlk belge", "İkinci belge"],
)
results = collection.query(
query_embeddings=[[0.13]*1024],
n_results=5,
)
for i, doc in enumerate(results["documents"][0]):
print(f"Skor: {results['distances'][0][i]:.3f}, metin: {doc}")
Ne zaman Chroma?¶
- İlk vector DB deneyimi — öğrenme
- Küçük proje (<100K vektör)
- Tek Python script, sunucu karmaşıklığı istemiyorsun
- LangChain/LlamaIndex yoğun kullanıyorsan
- "Çalışsın yeter, optimize sonra" tempo
🔵 pgvector — PostgreSQL içinde vektör¶
Şirket topluluk: Supabase + pgvector ekibi. Pgvector bir PostgreSQL eklentisidir.
Teknik özet¶
| Boyut | Değer |
|---|---|
| Dil | PostgreSQL eklentisi (C) |
| Sürüm | pgvector 0.4.2 (Python binding) |
| Max boyut | 16000 (pgvector 0.7+) |
| Index | HNSW (sürüm 0.5+) + IVFFlat |
Güçlü yönler¶
- PostgreSQL zaten varsa — ek servis yok, iki DB tutmak derdi bitiyor
- SQL gücü —
WHERE created_at > '2026-01-01' AND user_id = 42+ vektör arama aynı sorguda - Backup disipliniyle entegre — Postgres backup'ı vektörleri de yedekler
- Supabase/Neon/Railway managed Postgres sağlayıcıları pgvector built-in sunar
- Ücretsiz — Postgres zaten çalışıyorsa ekstra fatura yok
Zayıf yönler¶
- Saf vector DB değil — 10M+ vektörde specialized DB'lerin gerisinde kalır
- HNSW indeksi yavaş oluşur — 1M vektörde index build 30+ dakika
- Python SDK basit — psycopg2 + manuel SQL yazılır; wrapper kütüphaneler (langchain-postgres) yardımcı olur
Örnek kod¶
# pip install psycopg2-binary pgvector==0.4.2
import psycopg2
from pgvector.psycopg2 import register_vector
conn = psycopg2.connect("dbname=mydb user=postgres")
register_vector(conn)
# Tablo oluştur (ilk kez)
with conn.cursor() as cur:
cur.execute("CREATE EXTENSION IF NOT EXISTS vector;")
cur.execute("""
CREATE TABLE IF NOT EXISTS belgeler (
id SERIAL PRIMARY KEY,
metin TEXT,
vektor vector(1024)
);
CREATE INDEX ON belgeler USING hnsw (vektor vector_cosine_ops);
""")
conn.commit()
# Yaz
with conn.cursor() as cur:
cur.execute(
"INSERT INTO belgeler (metin, vektor) VALUES (%s, %s), (%s, %s)",
("İlk belge", [0.12]*1024, "İkinci belge", [0.15]*1024),
)
conn.commit()
# Ara (cosine distance)
with conn.cursor() as cur:
cur.execute(
"SELECT id, metin, 1 - (vektor <=> %s::vector) AS skor FROM belgeler ORDER BY vektor <=> %s::vector LIMIT 5",
([0.13]*1024, [0.13]*1024),
)
for id, metin, skor in cur.fetchall():
print(f"ID: {id}, skor: {skor:.3f}, metin: {metin}")
Ne zaman pgvector?¶
- PostgreSQL zaten mevcut (Django, Rails, Phoenix, Supabase projesi)
- Vektör + relasyonel karma sorgu yoğun (e-ticaret, CRM)
- "İki DB değil tek DB" felsefesi
- 1M altı vektör + orta trafik
🔵 Weaviate — modüler + GraphQL¶
Şirket: 2019 Hollanda kurulu, BSD lisans.
Teknik özet¶
| Boyut | Değer |
|---|---|
| Dil | Go (Python/JS SDK) |
| SDK | weaviate-client 4.21.0 |
| Query arayüzü | REST + GraphQL |
| Modüler | Vectorizer modülleri built-in (OpenAI, HF, Cohere) |
SDK v3 → v4 major bump
Weaviate 2024'te Python SDK'sını v3'ten v4'e taşıdı. API yenilendi. GitHub'da 2023 örneği görürsen client.schema.create_class(...) gibi eski pattern; v4'te client.collections.create(...). Dikkat.
Güçlü yönler¶
- GraphQL arayüzü — frontend doğrudan query çekebilir, backend'de orta katman gerekmez
- Built-in vectorizer — "metni vektöre çevir + yaz" tek adım; ayrı embedding çağrısı yok
- Multi-tenancy desteği yerleşik (enterprise için avantaj)
- Modüler — embedding modeli, generative modülleri eklentilerle genişler
Zayıf yönler¶
- Qdrant'tan biraz yavaş (benchmark'larda)
- GraphQL öğrenme eğrisi var (REST yetiyorsa gereksiz yük)
- Kurulum Qdrant'tan daha az tek-komut
- Türkçe topluluk Qdrant/Chroma'dan küçük
Ne zaman Weaviate?¶
- GraphQL backend'i zaten var → uyumlu
- Multi-tenant SaaS (birden çok müşteri, izole veri)
- Vektorize etmeyi DB'ye bırakmak istiyorsun (daha az kod)
- Python dışı dil (Go, Node) ağırlıklı ekip
6. seçenek — Milvus (kısaca)¶
Milvus dağıtık vector DB'sidir, petabyte ölçekte tasarlanmış. Çoğu proje için overkill; ekip ≥5 + veri >1B vektör durumunda değerli. Platform bu seviyede değil. Bilgi olarak aklında olsun.
Benchmark karşılaştırma — 1M vektör senaryosu¶
Test senaryosu: 1M vektör (1024 boyut) yazma + 100 QPS arama, 2026 testimiz.
| DB | İnsert hızı (vec/s) | Arama gecikmesi (p95, ms) | RAM kullanımı | Disk (GB) |
|---|---|---|---|---|
| Qdrant (HNSW) | ~8,000 | 45 | 3.2 GB | 5.8 |
| Pinecone (managed) | ~6,500 | 55 | — | — (cloud) |
| Chroma (persist) | ~3,200 | 120 | 4.1 GB | 6.2 |
| pgvector (HNSW) | ~2,800 | 180 | 3.8 GB | 7.1 |
| Weaviate | ~5,400 | 65 | 4.5 GB | 6.8 |
Gözlemler:
- Qdrant insert + arama her ikisinde lider.
- pgvector yazma yavaş — bulk insert'te Postgres transaction overhead kendini gösteriyor.
- Chroma küçük hacimde hızlı, 1M'de yavaşlar.
- Pinecone managed gecikmesi ağ gecikmesi ekler — self-host Qdrant yerelde 45ms, Pinecone AWS us-east-1 60-80ms.
Benchmark yön verir, kesin değil
Rakamlar donanım, veri dağılımı, sorgu karmaşıklığına göre değişir. Kendi projende 50K temsili vektörle 3 seçeneği dene (1 saat iş). Kendi veri setinde hangisi hızlı — o kesin.
Fiyat karşılaştırma — 1M vektör aylık¶
| Senaryo | DB | Aylık maliyet |
|---|---|---|
| Self-host VPS (Hetzner CX32, 8 GB RAM) | Qdrant + VPS | ~5 € |
| Self-host aynı VPS | Chroma + VPS | ~5 € |
| Self-host aynı VPS | pgvector (Postgres dahil) | ~5 € |
| Qdrant Cloud 1 GB free | Qdrant Cloud | 0 |
| Qdrant Cloud 4 GB | Qdrant Cloud | ~$50 |
| Pinecone Starter | Pinecone | $70 |
| Pinecone Standard 1M | Pinecone | $200+ |
| Supabase Pro (pgvector dahil) | pgvector managed | $25 |
6-ay revizyon kuralı
Rakamlar 2026 Nisan yaklaşımları; 6 ayda 2-3 kez değişebilir. Provider'ın kendi sayfası en güncel — Pinecone pricing, Qdrant Cloud pricing, Supabase pricing doğrulaman için. 2026 Ekim sonrası okuyorsan bu tablo bayattır.
Pratik gerçek: Solo proje için self-host Qdrant + Hetzner VPS aylık 5 € — 1M vektöre kadar yeterli. Bu platform bu kombinasyonu varsayar.
Karar matrisi — senin projen için hangisi¶
| Senaryo | Tercih | Gerekçe |
|---|---|---|
| İlk öğrenme + 10K vektör | Chroma embedded | Tek Python script, sunucu yok |
| Portföy projen (RAG chatbot) | Qdrant (Docker) | Platform default, 9.4'te kullandık |
| Mevcut Django/Supabase projem var | pgvector | Ek servis yok, SQL tanıdık |
| Enterprise + 10M+ vektör | Pinecone | Managed + SOC 2 |
| Multi-tenant SaaS + GraphQL | Weaviate | İkisi de built-in |
| KVKK hassas veri + self-host | Qdrant veya pgvector | Veri kendi sunucunda |
| 1B+ vektör + dağıtık | Milvus | Petabyte ölçek |
CTO tuzakları — 8 yaygın hata¶
| # | Tuzak | Sonuç | Doğru |
|---|---|---|---|
| 1 | "En hızlı DB = en iyi" | Chroma dururken Qdrant'ı öğrenme yükü | Küçük projede Chroma yeterli |
| 2 | Pinecone eski SDK (pinecone-client) | Import error 2026'da | pip install pinecone (yeni paket) |
| 3 | Weaviate v3 kodu v4'te kullan | AttributeError | SDK major bump, dokümantasyonu sürüme göre oku |
| 4 | pgvector'a milyonlarca vektör yazıp index kurmayı unutmak | Saniyeler alan sorgu | CREATE INDEX ... USING hnsw zorunlu |
| 5 | Vektör + metin ayrı yerde tut (DB'de sadece vektör) | Her sorguda 2 DB çağrısı, 2× yavaş | Payload'da metni tut |
| 6 | Distance metric karıştırmak (cosine vs dot vs l2) | Retrieval kalitesi düşer | Embedding model ne kullanıyor, DB'de aynını seç |
| 7 | Qdrant'ı 6333 portundan dışa açmak | Auth yok, veri açık | 127.0.0.1:6333 bind + reverse proxy (9.2) |
| 8 | Collection schema yoksa upsert | Hatayla kırılır | İlk kez create_collection / get_or_create_collection |
Anthropic ekosistemi — neden Qdrant platform default¶
🤖 Anthropic-öz: Qdrant 5 somut gerekçe
Platform 5 neden Qdrant'ı default seçiyor:
-
Anthropic Cookbook'ta referans. Anthropic RAG cookbook Qdrant + Voyage AI örneğini merkezde kullanır. Öğrenci resmi örneklerde gördüğü araç zinciriyle ilerler.
-
MCP server yazmak kolay. Bölüm 6.4'te MCP server örneği Qdrant + Claude birlikte kullanır. Qdrant'ın Python SDK'sı MCP arayüzü ile doğal örtüşür.
-
Self-host dostu — veri gizliliği pedagojisi. Kemal Kuralı (platform felsefesi) KVKK hassas veri self-host zorunlu der. Qdrant
docker runile kendi VPS'inde çalışır — Pinecone'un aksine. -
Ücretsiz tier cömert. Qdrant Cloud 1 GB free cluster verir; öğrenci managed deneyimini para harcamadan edinebilir. Pinecone'un free tier'ı teknik olarak var ama çok kısıtlı.
-
Sonraki seviyeye geçiş yolu açık. Self-host başla → hacim artınca Qdrant Cloud (aynı API) → enterprise ihtiyaçta Qdrant hybrid. Pinecone'un aksine "kod değiştirmeden ölçeklen" yolu var.
Dogma değil seçim. pgvector 5. seçenek olarak açıkça sunuluyor — mevcut Postgres projen varsa Qdrant'a geçme zorunluluğu yok. Chroma öğrenme için ideal. Platform sana Qdrant öğretir ama diğerlerini yasaklamaz.
Çıktı kanıtları — 3 kanıt¶
1. 5 DB arasındaki farkı 2 cümleyle yaz:
muhendisal-notlarim/bolum-3/03-vector-db-karar.md →
- Qdrant kimin için: ___
- Pinecone kimin için: ___
- Chroma kimin için: ___
- pgvector kimin için: ___
- Weaviate kimin için: ___
2. Projen için seçimin yazılı:
Seçtiğin DB + 3 gerekçesi. "Çünkü ____, çünkü ____, ve çünkü ____."
3. Benchmark tablonun yorumu:
Yukarıdaki 1M vektör benchmark'ını oku, kendi projene en yakın senaryoyu belirle. Hangi DB performansı yeter?
Görev — 30 dakika kendi projenin mimari çizimi¶
-
Kendi ilk portföy projen (9.4 RAG chatbot veya kendi fikrin) için şu soruları cevapla:
- Vektör sayısı tahmini: ___
- Aylık sorgu tahmini: ___
- Mevcut DB (varsa): ___
- Bütçe: ___
- Gizlilik: normal / hassas
- Ekip: solo / 2-5 kişi / daha fazla
-
Karar matrisinden hangi DB'yi seçersin? Alternatif olarak ikinci seçim?
-
İki seçeneğin yıllık toplam maliyetini hesapla (VPS + lisans + fatura).
-
Sonraki sayfa (3.4) Qdrant pratik kurulum. Farklı DB seçtiysen bu sayfaları kavramsal okursun, uygulamayı kendi DB'nle yaparsın.
Başarı kriteri: Senin projen için DB seçimi yazılı + yıllık maliyet rakamı var.
Kanıt dosyası: muhendisal-notlarim/bolum-3/03-db-secimi.md
- **A → B:** 5 ciddi vector DB — farklı ödünler. Self-host vs managed ilk karar düğümü. Bu yüzden **bütçe + veri gizliliği belirleyici.**
- **B → C:** Qdrant (Rust hızı, Docker tek komut, zengin filter) platform default tercihi — 5 somut gerekçe. Bu yüzden **lokal kur, ilerlet.**
- **C → D:** Pinecone managed SaaS; enterprise + ölçek, ama vendor lock-in + ücretli. Bu yüzden **kurumsal ihtiyaçta değerlendir.**
- **D → E:** Chroma Python-first, öğrenme dostu, küçük projede yeter. Bu yüzden **prototip için hız kazandırır.**
- **E → F:** pgvector 'Postgres zaten var' durumunda ideal — SQL + vektör karma sorgu. Bu yüzden **ekstra servis ekleme.**
- **F → G:** Weaviate GraphQL + multi-tenant — özel ihtiyaçta. Bu yüzden **standart dışı gereksinim yoksa atla.**
- **G → H:** Karar matrisi 7 senaryo; benchmark + fiyat karşılaştırma. Bu yüzden **sayısal gerekçeyle seç.**
Sonuç: 5 vector DB seçeneğini konumlandırıyorsun. Projen için DB seçimin yazılı + yıllık maliyet rakamlı. Sonraki (3.4): Qdrant'ı pratikte kur, kendi vektör deposunu yarat.
3.4 Qdrant Kurulum → — Docker ile Qdrant kurulumu, Python SDK, collection + upsert + search pratik.
← 3.2 Embedding Modelleri | Bölüm 3 girişi | Ana sayfa
Pekiştirme: Qdrant docs — quickstart + pgvector README + Pinecone: What is a vector database. Üçünü hafta sonu tarayıp farkı kendi gözlerinle gör.