{{< resource-info >}}

2026 벡터 DB 선택 가이드: Qdrant vs Weaviate vs Milvus #

Meta Description: 500만 벡터로 세 가지를 모두 실측. 레이턴시, 처리량, 메모리, 설치 난이도. 언제 벡터 DB를 건너뛰고 SQLite FTS5를 써야 할지.

벡터 DB 시장은 2026년에 정리되었습니다. Qdrant, Weaviate, Milvus가 주도하고 있습니다. 이 글에서는 500만 벡터 워크로드로 세 가지를 모두 테스트해 어떤 상황에 어느 것을 써야 할지, 그리고 언제는 벡터 DB 자체를 건너뛰어야 할지 알려드립니다.

⚡ TL;DR #

Qdrant: 가장 단순한 설치, 단일 노드에서 가장 빠름. 개인/소규모 팀 RAG에 최적.

Weaviate: 하이브리드 검색(벡터 + 키워드 + 필터) 최강. 복잡한 쿼리가 있는 프로덕션에 최적.

Milvus: 수평 확장 최강. 십억 단위 워크로드에 최적.

벡터 DB 건너뛰기: 문서 1만 개 미만이면 SQLite FTS5가 승리하는 경우가 많음.

테스트 환경 #

• 500만 벡터, 768 차원 (BGE-large 임베딩)
• 순수 유사도 쿼리 + 필터링된 쿼리 혼합
• 단일 VM: 16 vCPU, 64GB RAM, 1TB NVMe
• 동시 클라이언트 100개

측정 결과 #

레이턴시 (p95, ms) #

판정: 순수 유사도는 Qdrant가 가장 빠름. 필터링과 하이브리드는 Weaviate 우세.

처리량 (p95 < 50ms에서 QPS) #

판정: 단일 노드에서는 Qdrant가 가장 빠름. Milvus는 다중 노드 규모에서 따라잡음.

500만 벡터에서의 메모리 사용량 #

판정: Qdrant가 메모리 효율 최고.

설치 시간 #

판정: Qdrant가 가장 쉬움. Milvus가 가장 복잡.

벡터 DB를 아예 건너뛰어야 할 때 #

문서 1만 개 미만에서는 SQLite FTS5가 다음 이유로 벡터 DB보다 나은 경우가 많습니다:

• BM25 + 키워드 매칭이 대부분의 실용적 검색을 잘 처리함
• 운영 복잡도 100배 단순 (파일 하나, 서버 불필요)
• 쿼리 레이턴시 < 1ms
• 파일 외 메모리 오버헤드 없음

먼저 이것부터 해보세요:

import sqlite3
conn = sqlite3.connect("docs.db")
conn.execute("CREATE VIRTUAL TABLE docs USING fts5(title, content)")
# 문서 삽입, MATCH 연산자로 쿼리

문서가 5만 개를 넘거나 키워드가 아닌 의미적 유사성이 중요해지면 그때 벡터 DB로 전환합니다.

세 가지 중 선택하기 #

단일 노드, 단순 RAG, 소규모 팀 → Qdrant
하이브리드 검색 필요 (벡터 + 키워드 + 필터) → Weaviate
다중 노드, 십억 이상의 벡터 → Milvus
이미 Postgres 있음 → pgvector (벡터 100만 이하)
문서 < 1만 → SQLite FTS5

추천 인프라 #

벡터 DB 호스팅 추천:

• DigitalOcean — $200 크레딧, NVMe 드롭릿
• HTStack — 아시아 저지연 쿼리를 위한 홍콩 VPS

Affiliate 링크 — 동일한 가격, dibi8.com을 후원합니다.

결론 #

2026년 기준 세 가지 벡터 DB 모두 프로덕션 수준입니다. 워크로드에 따라 선택하세요: 단순함은 Qdrant, 하이브리드 검색은 Weaviate, 십억 단위는 Milvus. 소규모 코퍼스라면 아예 건너뛰세요 — SQLite FTS5가 단순성에서 이기고 종종 충분합니다.

진짜 교훈: 대부분의 팀은 검색 계층을 과도하게 설계합니다. 가장 단순하게 작동하는 것부터 시작하고, 실제 천장이 측정될 때 업그레이드하세요. 벡터 DB의 복잡도는 단순 도구의 한계를 넘어서야만 정당화됩니다.

관련 글: 2026 RAG vs Fine-Tuning 의사결정 프레임워크 · 벡터 데이터베이스 비교 · 2026 MCP 서버 랭킹