AI 벡터 데이터베이스 입문 2026 — Pinecone, Weaviate, ChromaDB 비교

목차

1. 벡터 데이터베이스란?
2. 왜 RAG에 벡터 DB가 필요한가?
3. Pinecone: 가장 쉬운 선택
4. Weaviate: 오픈소스 강자
5. ChromaDB: 로컬 개발용 최적
6. Supabase pgvector: PostgreSQL 확장
7. 벤치마크 성능 비교
8. 실전 프로젝트: RAG 챗봇 만들기

---

벡터 데이터베이스란?

**벡터 데이터베이스(Vector Database)**는 텍스트, 이미지, 음성 등을 **숫자 배열(벡터)**로 변환해서 저장하고, 의미적 유사도로 검색하는 데이터베이스입니다.

일반 DB vs 벡터 DB 비교

벡터 임베딩(Vector Embedding)이란?

텍스트를 숫자 배열로 변환하는 과정입니다.

예시:

from openai import OpenAI

client = OpenAI()

# 텍스트 → 벡터 변환
response = client.embeddings.create(
    model="text-embedding-3-small",
    input="AI 벡터 데이터베이스"
)

embedding = response.data[0].embedding
print(len(embedding))  # 1536 (차원)
print(embedding[:5])   # [-0.002, 0.013, -0.007, 0.025, -0.011]

"AI 벡터 데이터베이스"라는 문장이 1536개 숫자로 이루어진 벡터로 변환됩니다. 의미가 비슷한 문장은 벡터 공간에서 가깝게 위치합니다.

---

왜 RAG에 벡터 DB가 필요한가?

**RAG(Retrieval-Augmented Generation)**는 AI가 외부 지식을 참고해서 답변하는 기술입니다.

RAG 워크플로우

1. 사용자 질문: "2024년 애플 실적은?"
2. 벡터 DB 검색: 질문과 유사한 문서 찾기
3. 검색 결과를 AI에 전달: GPT-4에게 관련 문서 제공
4. AI 답변 생성: 문서 기반으로 정확한 답변

벡터 DB 없이 RAG를 하면?

• 수백 개 문서를 모두 GPT-4에 넣음 → 컨텍스트 윈도우 초과
• 키워드 검색으로 찾음 → 관련 없는 문서 포함 (정확도 낮음)

벡터 DB 사용 시 장점

• ✅ 의미적 검색: "애플 실적" vs "Apple earnings" 같은 의미로 인식
• ✅ 빠른 속도: 수백만 개 문서에서 밀리초 단위로 검색
• ✅ 효율적 비용: GPT-4에 필요한 문서만 전달 → 토큰 비용 절감

---

Pinecone: 가장 쉬운 선택

Pinecone은 관리형(Managed) 벡터 DB로, 인프라 관리 없이 바로 사용할 수 있습니다.

핵심 특징

• ✅ 완전 관리형: 서버 설정 불필요, API만 호출
• ✅ 빠른 속도: HNSW 알고리즘으로 밀리초 응답
• ✅ 확장성: 수십억 개 벡터까지 자동 스케일링
• ⚠️ 비용: 무료 플랜 제한적 (100K 벡터)

가격 (2026년 기준)

• Starter: 무료 (100K 벡터, 1 pod)
• Standard: $70/월 (500만 벡터, 1 pod)
• Enterprise: 커스텀 가격

Python 예시

from pinecone import Pinecone, ServerlessSpec

pc = Pinecone(api_key="YOUR_API_KEY")

# 1. 인덱스 생성
pc.create_index(
    name="my-index",
    dimension=1536,  # OpenAI text-embedding-3-small
    metric="cosine",
    spec=ServerlessSpec(cloud="aws", region="us-east-1")
)

# 2. 인덱스 연결
index = pc.Index("my-index")

# 3. 벡터 삽입
index.upsert(
    vectors=[
        {
            "id": "doc1",
            "values": embedding,  # 1536차원 벡터
            "metadata": {"text": "AI 벡터 데이터베이스 설명"}
        }
    ]
)

# 4. 검색
results = index.query(
    vector=query_embedding,
    top_k=5,
    include_metadata=True
)

for match in results["matches"]:
    print(f"점수: {match['score']:.3f} | {match['metadata']['text']}")

---

Weaviate: 오픈소스 강자

Weaviate는 오픈소스 벡터 DB로, 자체 호스팅 또는 클라우드 버전 선택 가능합니다.

핵심 특징

• ✅ 오픈소스: 무료로 자체 서버에 설치 가능
• ✅ Hybrid Search: 키워드 + 벡터 검색 조합
• ✅ 내장 임베딩: OpenAI, Cohere, Hugging Face 통합
• ⚠️ 복잡함: 설정이 Pinecone보다 어려움

Python 예시

import weaviate
from weaviate.classes.config import Configure

client = weaviate.connect_to_weaviate_cloud(
    cluster_url="https://my-cluster.weaviate.network",
    auth_credentials=weaviate.auth.AuthApiKey("YOUR_API_KEY")
)

# 1. 스키마 생성
client.collections.create(
    name="Document",
    vectorizer_config=Configure.Vectorizer.text2vec_openai(),
    properties=[
        weaviate.classes.config.Property(
            name="text",
            data_type=weaviate.classes.config.DataType.TEXT
        )
    ]
)

# 2. 데이터 삽입
documents = client.collections.get("Document")

documents.data.insert({
    "text": "AI 벡터 데이터베이스는 의미적 검색을 가능하게 합니다."
})

# 3. 검색
response = documents.query.near_text(
    query="벡터 DB 설명",
    limit=5
)

for obj in response.objects:
    print(obj.properties["text"])

---

ChromaDB: 로컬 개발용 최적

ChromaDB는 로컬 개발에 최적화된 오픈소스 벡터 DB입니다.

핵심 특징

• ✅ 극도로 간단: 설치 1줄, 코드 5줄
• ✅ 로컬 우선: 인터넷 없이 사용 가능
• ✅ LangChain 통합: RAG 파이프라인 빠르게 구축
• ⚠️ 확장성 제한: 대규모 프로덕션에는 부적합

Python 예시

import chromadb

# 1. 클라이언트 생성 (로컬 파일에 저장)
client = chromadb.PersistentClient(path="./chroma_db")

# 2. 컬렉션 생성
collection = client.create_collection(name="my_docs")

# 3. 문서 추가 (자동으로 임베딩 생성)
collection.add(
    documents=["AI 벡터 데이터베이스", "RAG 구축 방법"],
    metadatas=[{"source": "blog1"}, {"source": "blog2"}],
    ids=["doc1", "doc2"]
)

# 4. 검색
results = collection.query(
    query_texts=["벡터 DB 설명"],
    n_results=2
)

print(results["documents"])

---

Supabase pgvector: PostgreSQL 확장

Supabase는 PostgreSQL에 pgvector 확장을 추가해서 벡터 검색 지원합니다.

핵심 특징

• ✅ 익숙한 PostgreSQL: SQL로 벡터 검색
• ✅ 관계형 + 벡터: 기존 DB에 벡터 기능 추가
• ✅ Supabase 무료 플랜: 500MB까지 무료
• ⚠️ 성능: 전문 벡터 DB보다 느림

SQL 예시

-- 1. 테이블 생성
CREATE TABLE documents (
    id SERIAL PRIMARY KEY,
    content TEXT,
    embedding VECTOR(1536)
);

-- 2. 벡터 삽입
INSERT INTO documents (content, embedding)
VALUES ('AI 벡터 데이터베이스', '[0.01, 0.02, ...]');

-- 3. 유사도 검색
SELECT content, 1 - (embedding <=> '[0.01, 0.02, ...]') AS similarity
FROM documents
ORDER BY embedding <=> '[0.01, 0.02, ...]'
LIMIT 5;

---

벤치마크 성능 비교

검색 속도 (100만 벡터 기준)

가격 비교 (월간 100만 쿼리, 500만 벡터)

---

실전 프로젝트: RAG 챗봇 만들기

프로젝트 개요

회사 문서 100개를 기반으로 질문 답변 챗봇 구축

1단계: 문서 준비

documents = [
    "회사 휴가 정책: 연차는 입사 1년 후 15일 부여",
    "출장 신청: 출장 3일 전까지 승인 필요",
    "복지 제도: 점심 식대 월 10만원 지원"
]

2단계: 벡터화 및 저장 (ChromaDB)

import chromadb
from openai import OpenAI

client = OpenAI()
chroma_client = chromadb.PersistentClient(path="./company_kb")
collection = chroma_client.create_collection(name="company_docs")

# 임베딩 생성 및 저장
for i, doc in enumerate(documents):
    embedding = client.embeddings.create(
        model="text-embedding-3-small",
        input=doc
    ).data[0].embedding
    
    collection.add(
        ids=[f"doc{i}"],
        embeddings=[embedding],
        documents=[doc]
    )

3단계: RAG 질문 답변

def rag_chatbot(question):
    # 1. 질문 임베딩
    query_embedding = client.embeddings.create(
        model="text-embedding-3-small",
        input=question
    ).data[0].embedding
    
    # 2. 유사 문서 검색
    results = collection.query(
        query_embeddings=[query_embedding],
        n_results=3
    )
    
    # 3. 검색 결과를 컨텍스트로 GPT-4에 전달
    context = "
".join(results["documents"][0])
    
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": f"다음 회사 규정을 참고해서 답변:
{context}"},
            {"role": "user", "content": question}
        ]
    )
    
    return response.choices[0].message.content

# 사용 예시
answer = rag_chatbot("휴가는 언제 받을 수 있나요?")
print(answer)
# → "입사 1년 후 연차 15일이 부여됩니다."

---

결론: 어떤 벡터 DB를 선택할까?

선택 가이드

최종 추천

• 빠르게 시작: ChromaDB (무료, 5분 안에 구축)
• 스타트업: Pinecone ($70/월, 걱정 없이 확장)
• 대기업: Weaviate (자체 호스팅, 데이터 주권)

2026년, 벡터 데이터베이스는 모든 AI 애플리케이션의 필수 인프라가 되었습니다. RAG 챗봇, 추천 시스템, 이미지 검색 등 다양한 곳에서 활용되고 있습니다. 여러분도 지금 바로 시작해보세요!

---

참고 자료:

• Pinecone: https://www.pinecone.io
• Weaviate: https://weaviate.io
• ChromaDB: https://www.trychroma.com
• Supabase pgvector: https://supabase.com/docs/guides/ai/vector-columns

태그: #벡터데이터베이스 #RAG #Pinecone #Weaviate #ChromaDB #AI검색 #임베딩