Eine Vektor-DB-Rechnung stammt aus drei Zahlen, nicht aus dem Modell. Wie viele Vektoren Sie behalten, wie breit jeder einzelne ist (seine Dimension) und wie viele Abfragen Sie ausführen. Alles Folgende leitet sich von diesen drei ab – Speicher ist vectors × dimension × 4 bytes plus Index-Overhead und Abfragekosten skalieren mit dem Lesevolumen.
Monatliche Kosten je Anbieter
Gleicher Arbeitsaufwand, zuerst am günstigsten bewertet. Speicherplatz + Abfrageschätzung, vor jedem kostenlosen Kontingent.
| Anbieter | Modell | Schätzung: / Mo |
|---|
Wie die Speichernummer aufgebaut ist
Jeder Vektor ist ein Array von 32-Bit-Floats, sodass es sich um eine einzelne 1536-dimensionale Einbettung handelt 6 KB roh (1536 × 4 Bytes). Multiplizieren Sie die Rohnutzlast mit Ihrer Vektoranzahl und addieren Sie dann grob 50 % Overhead für die HNSW/IVF-Indexstruktur und Metadaten, die jeder seriöse Vektorspeicher neben den Rohvektoren aufbewahrt. Das ist die Zahl „indizierter Speicher“ oben – die Sache, die jeder Anbieter berechnet, egal ob er es Speicher, Pod oder Clustergröße nennt. Eine Verdoppelung der Dimension (1536 → 3072) verdoppelt diese Zahl bei gleicher Vektoranzahl, weshalb „größere Einbettung = besser“ keine freie Wahl ist.
Warum die Anbieter so unterschiedliche Preise anbieten
Tannenzapfen Und Zilliz-Wolke sind nutzungsbasiert, serverlos: Sie zahlen für gespeicherte GB plus Lese- und Schreibeinheiten, sodass ein leseintensiver RAG-Endpunkt mehr kosten kann, als sein Speicher vermuten lässt. Qdrant Cloud Und Weaviate Cloud sind eher rechen-/RAM-basiert – Sie wählen eine Clustergröße, die den Index im Arbeitsspeicher halten muss, sodass die Kosten den Speicher stärker berücksichtigen als die Abfragen. pgvector ist nur eine Erweiterung innerhalb von Postgres: Wenn Sie bereits eine Datenbank betreiben, ist das Hinzufügen von Vektoren nahezu kostenlos, bis der Index über den Arbeitsspeicher hinauswächst. Ab diesem Zeitpunkt zahlen Sie für eine größere Box. Der Rechner fasst all dies in einer Speicher- und Abfrageform zusammen, sodass Sie die Größenordnung vergleichen und anschließend die genaue Rechnung des von Ihnen ausgewählten Anbieters bestätigen können.
So halten Sie die Rechnung niedrig
Speichern Sie weniger, aber bessere Blöcke, anstatt jeden Absatz zweimal. Verwenden Sie eine kleinere Einbettungsdimension, wenn der Rückruf dies zulässt – 768-d entspricht häufig 1536-d in schmalen Domänen bei halbem Speicher. Löschen Sie veraltete Vektoren, anstatt den Index ewig wachsen zu lassen. Und denken Sie an die gelesene Seite: Das Zwischenspeichern häufiger Abfragen und des sie umgebenden LLM-Kontexts ist das wahre Geld. Kombinieren Sie dies mit dem Rechner für schnelle Caching-Einsparungen und wenn Sie die Größe einer gesamten Abrufpipeline bestimmen, ist die Chatbot-Kostenrechner oder das volle Kostenschätzer für KI-Apps.
Einbettungen auswählen? Der OpenAI Und Zwillinge In den Leitfäden sind die aktuellen Einbettungspreise aufgeführt Kostenrechner für KI-Agenten deckt abruferweiterte Agenten von Anfang bis Ende ab.