Publicado em 25/06/2026 · números de referência, verifique antes de orçamentar
Pergunte "quanto custa um banco de dados vetorial?" e você obterá quatro respostas dependendo de quem está vendendo. A resposta honesta é que, para a maioria dos aplicativos de recuperação aumentada (RAG), a conta é minúsculo até você escalar – e que a camada de armazenamento quase nunca é a parte cara de um recurso de IA. A parte cara é a chamada LLM que acontece após a recuperação. Mas o banco de dados vetorial é o item de linha em que as pessoas se fixam, então vamos dimensioná-lo. Pegaremos uma carga de trabalho concreta e a executaremos Pinha, Zilliz Cloud, Qdrant, Weaviate e auto-hospedado vetor pg.
Um aplicativo RAG de tamanho médio: 500.000 vetores, cada um Dimensão 1536 incorporação (o tamanho OpenAI's text-embedding-3-small produz), servindo 1.000.000 de consultas por mês. Esse é um produto real: uma pesquisa de documentação, um copiloto de suporte, uma base de conhecimento interna com tráfego constante. A primeira coisa a calcular não é um preço, é o pegada de armazenamento, porque é isso que todo provedor cobra.
Um vetor é uma matriz de pontos flutuantes de 32 bits. Portanto, uma incorporação de dimensão 1536 é 1536 × 4 = 6.144 bytes, cerca de 6 KB. Multiplique por 500.000 vetores e isso equivale a aproximadamente 3 GB de vetores brutos. Adicione aproximadamente 50% de despesas gerais para a estrutura do índice (gráficos HNSW ou FIV) e metadados que cada loja mantém ao lado dos vetores, e você chega perto 4,6 GB de armazenamento indexado. Segure esse número - é a história toda:
| Motorista | Matemática | Resultado |
|---|---|---|
| Um vetor 1536-d | 1536 × 4 bytes | ~6KB |
| 500.000 vetores (brutos) | 6KB × 500k | ~3,1GB |
| + índice e metadados | × ~1,5 | ~4,6 GB |
Duas coisas surgem imediatamente. Primeiro, dimensão é uma alavanca de custo: mude para um modelo de dimensão 3072 (text-embedding-3-large) e você dobra esse número para obter exatamente a mesma contagem de vetores. Em segundo lugar, 4,6 GB é pequeno. Essa é a piada que a maioria das páginas de preços enterra.
É aqui que os modelos de precificação divergem e por que as tabelas comparativas são enganosas. Pinha e conta Zilliz Cloud uso — GB armazenados mais unidades de leitura/gravação — portanto, um endpoint com muitas consultas custa mais do que seu armazenamento implica. Projeto de lei Qdrant e Weaviate computação/RAM — você escolhe um cluster grande o suficiente para manter o índice na memória, de modo que o custo rastreia o armazenamento, não as consultas. E o pgvector é apenas uma extensão dentro do Postgres: se você já executa um banco de dados, o custo marginal de adicionar vetores é próximo de zero. Achatado para uma estimativa mensal comparável para nossa carga de trabalho de consulta de 4,6 GB/1 milhão:
| Provedor | Modelo de preços | Husa. / mês |
|---|---|---|
| pgvector (auto-host em um VPS que você executa) | calcular | ~$40 (muitas vezes $0 marginal) |
| Nuvem Qdrant | computação / RAM | ~$26 |
| Nuvem Zilliz (Milvus) | uso | ~$6 |
| Tecer Nuvem | computação / RAM | ~$2 |
| Pinha sem servidor | uso | ~$18 |
Veja o intervalo: dólares de um dígito a dois dígitos por mês. Seja como for, a camada de armazenamento para um aplicativo de 500 mil vetores é um erro de arredondamento próximo aos custos de incorporação e geração em torno dele. O debate "qual banco de dados de vetores é mais barato" envolve dinheiro real apenas com dezenas de milhões de vetores ou taxas de consulta extremas - abaixo disso, escolha operações e recursos, não preço.
Três coisas movem uma conta de banco de dados vetorial, e nenhuma delas é o logotipo no painel:
Para um aplicativo RAG de 500 mil vetores e 1 milhão de consultas em 2026, orçamento menos de ~$40/mês para o banco de dados de vetores em qualquer um deles - e frequentemente alguns dólares ou efetivamente grátis no pgvector. Dimensione o pegada de armazenamento primeiro (vetores × dimensão × 4 bytes × ~ 1,5), decida se o tráfego é vinculado ao armazenamento ou à consulta e, em seguida, escolha as operações em vez do preço de tabela. O armazenamento de recuperação é a parte barata do RAG; a chamada LLM depois é onde você deve gastar sua energia de otimização - veja o Calculadora de custos RAG para ver a imagem completa.
Experimente você mesmo os números: o calculadora de custos de banco de dados vetorial pega sua contagem de vetores, dimensão e volume de consulta e compara todos os cinco provedores. Em seguida, dimensione o restante do pipeline com o Calculadora de custos RAG ou todo o produto com o Estimador de custos de aplicativos de IA. É a mesma lição que custos ocultos de API que dobram sua conta: modele o driver, não o logotipo.
Os números são estimativas de referência (junho de 2026) e mudam frequentemente. Os modelos de preços do Vector DB diferem substancialmente - baseados em uso versus baseados em computação - e os níveis gratuitos (Pinecone Starter, cluster gratuito Zilliz, Qdrant 1 GB gratuito) não são subtraídos aqui. Sempre confirme na página oficial de preços de cada fornecedor antes de fazer o orçamento.