Publicado 2026-06-25 · números de referencia, verificar antes de presupuestar
Pregunte "¿cuánto cuesta una base de datos vectorial?" y obtendrás cuatro respuestas dependiendo de quién venda. La respuesta honesta es que para la mayoría de las aplicaciones de recuperación aumentada (RAG), la factura es pequeño hasta que escalas – y que la capa de almacenamiento casi nunca es la parte costosa de una función de IA. La parte cara es la llamada de LLM que se realiza después de la recuperación. Pero la base de datos vectorial es la línea de pedido en la que la gente se fija, así que vamos a dimensionarla. Tomaremos una carga de trabajo concreta y la ejecutaremos Piña, Zilliz Cloud, Qdrant, Weaviate y autohospedado pgvector.
Una aplicación RAG de tamaño mediano: 500.000 vectores, cada uno 1536 dimensiones incrustación (el tamaño OpenAI text-embedding-3-small produce), sirviendo 1.000.000 de consultas al mes. Se trata de un producto real: una búsqueda de documentación, un copiloto de soporte, una base de conocimientos interna con tráfico constante. Lo primero que hay que calcular no es el precio, sino el huella de almacenamiento, porque eso es contra lo que se enfrentan todos los proveedores.
Un vector es una matriz de flotantes de 32 bits. Entonces una incrustación de 1536 dimensiones es 1536 × 4 = 6.144 bytes, aproximadamente 6 KB. Multiplique por 500.000 vectores y eso son ~3 GB de vectores sin formato. Añadir aproximadamente 50% gastos generales para la estructura del índice (gráficos HNSW o IVF) y los metadatos que cada tienda mantiene junto con los vectores, y usted aterriza cerca 4,6 GB de almacenamiento indexado. Mantenga ese número: es toda la historia:
| Conductor | Matemáticas | Resultado |
|---|---|---|
| Un vector de 1536-d | 1536 × 4 bytes | ~6 KB |
| 500.000 vectores (en bruto) | 6KB × 500k | ~3,1 GB |
| + índice y metadatos | × ~1,5 | ~4,6GB |
De esto se desprenden inmediatamente dos cosas. Primero, La dimensión es una palanca de costos.: cambiar a un modelo de 3072 dimensiones (text-embedding-3-large) y duplica este número para obtener exactamente el mismo recuento de vectores. En segundo lugar, 4,6 GB es pequeño. Ése es el remate que ocultan la mayoría de las páginas de precios.
Aquí es donde los modelos de fijación de precios divergen y por qué las tablas comparativas son engañosas. Piña y factura de Zilliz Cloud uso – GB almacenados más unidades de lectura/escritura, por lo que un punto final con muchas consultas cuesta más de lo que implica su almacenamiento. Factura de Qdrant y Weaviate cálculo/RAM — elige un clúster lo suficientemente grande como para contener el índice en la memoria, de modo que el costo rastrea el almacenamiento, no las consultas. Y pgvector es solo una extensión dentro de Postgres: si ya ejecuta una base de datos, el costo marginal de agregar vectores es cercano a cero. Reducido a una estimación mensual comparable para nuestra carga de trabajo de consultas de 4,6 GB/1 millón:
| Proveedor | Modelo de precios | Est. / mes |
|---|---|---|
| pgvector (autohospedaje en un VPS que ejecute) | calcular | ~$40 (a menudo $0 marginal) |
| Nube Qdrant | cálculo / RAM | ~$26 |
| Nube Zilliz (Milvus) | uso | ~$6 |
| Nube Weaviate | cálculo / RAM | ~$2 |
| Piña sin servidor | uso | ~$18 |
Mira el rango: dólares de un solo dígito a dos dígitos bajos por mes. Cualquiera que sea la forma en que se mire, la capa de almacenamiento para una aplicación de 500k vectores es un error de redondeo al lado de los costos de integración y generación que la rodean. El debate sobre "qué base de datos vectorial es más barata" es dinero real sólo con decenas de millones de vectores o tasas de consulta extremas; por debajo de eso, elija operaciones y características, no precio.
Tres cosas mueven un billete de base de datos vectorial, y ninguna de ellas es el logotipo en el tablero:
Para una aplicación RAG de 500.000 vectores y 1 millón de consultas en 2026, presupuesto menos de ~$40/mes para la base de datos de vectores en cualquiera de estos, y con frecuencia unos pocos dólares o efectivamente gratis en pgvector. Dimensione el huella de almacenamiento Primero (vectores × dimensión × 4 bytes × ~1,5), decida si su tráfico está vinculado al almacenamiento o a las consultas, y luego elija las operaciones en lugar del precio de etiqueta. La tienda de recuperación es la parte barata de RAG; la llamada de LLM después es donde debe gastar su energía de optimización; consulte la Calculadora de costos RAG para ver la imagen completa.
Pruebe los números usted mismo: el calculadora de costos de bases de datos vectoriales toma el recuento de vectores, la dimensión y el volumen de consultas y compara los cinco proveedores. Luego dimensione el resto de la tubería con el Calculadora de costos RAG o el producto completo con el Estimador de costos de aplicaciones de IA. Es la misma lección que Costos API ocultos que duplican tu factura: modela el conductor, no el logo.
Las cifras son estimaciones de referencia (junio de 2026) y cambian con frecuencia. Los modelos de precios de Vector DB difieren sustancialmente (basados en el uso versus basados en computación) y los niveles gratuitos (Pinecone Starter, Zilliz free cluster, Qdrant 1 GB free) no se restan aquí. Confirme siempre en la página de precios oficial de cada proveedor antes de realizar el presupuesto.