Vector-database kiezen voor RAG

Wat is een vectordatabase?

Een vectordatabase slaat hoog-dimensionele vectors op en kan efficient de dichtstbijzijnde buren vinden (Approximate Nearest Neighbor, ANN). Dit is de kern van RAG: gegeven een query-vector, vind de k meest gelijkende document-vectors.

Naast vectorzoekopdrachten ondersteunen de meeste vectordatabases ook metadata-filtering. Je zoekt dan de k dichtstbijzijnde vectors alleen binnen documenten van een bepaalde categorie of datum. Goede filtering is in de praktijk net zo belangrijk als ruwe zoeksnelheid, omdat productie-RAG bijna altijd op een subset van je data zoekt.

Vergelijkingsoverzicht

De tabel hieronder geeft een grove richting. Prijzen en limieten veranderen regelmatig, controleer dus altijd de actuele prijspagina van de leverancier voor je een keuze vastlegt. De stand hieronder is juni 2026.

Chroma: voor ontwikkeling

import { ChromaClient, Collection } from "chromadb";

const client = new ChromaClient({ path: "http://localhost:8000" });

const collection = await client.getOrCreateCollection({
  name: "documents",
  metadata: { "hnsw:space": "cosine" },
});

await collection.add({
  ids: ["doc-1", "doc-2"],
  embeddings: [[0.1, 0.2], [0.3, 0.4]],
  documents: ["Eerste document", "Tweede document"],
  metadatas: [
    { category: "technisch", date: "2025-01" },
    { category: "beleid", date: "2025-02" },
  ],
});

const results = await collection.query({
  queryEmbeddings: [[0.15, 0.25]],
  nResults: 5,
  where: { category: "technisch" },
});

Chroma is ideaal voor lokale ontwikkeling en kleine tot middelgrote productiesystemen. Het draait in-process of als losse server, vraagt nauwelijks configuratie en is daardoor perfect om snel een RAG-prototype op te zetten.

pgvector: SQL-integratie

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE documents (
  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  content TEXT NOT NULL,
  embedding vector(1536),
  category VARCHAR(50),
  created_at TIMESTAMPTZ DEFAULT NOW()
);

CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

import { Pool } from "pg";

const pool = new Pool({ connectionString: process.env.DATABASE_URL });

async function vectorSearch(embedding: number[], category?: string, limit = 5) {
  const embeddingStr = `[${embedding.join(",")}]`;
  const query = category
    ? `SELECT id, content, 1 - (embedding <=> $1) AS similarity
       FROM documents WHERE category = $2
       ORDER BY embedding <=> $1 LIMIT $3`
    : `SELECT id, content, 1 - (embedding <=> $1) AS similarity
       FROM documents ORDER BY embedding <=> $1 LIMIT $2`;

  const params = category ? [embeddingStr, category, limit] : [embeddingStr, limit];
  const result = await pool.query(query, params);
  return result.rows;
}

pgvector is ideaal als je al PostgreSQL gebruikt. Je hoeft geen aparte database te beheren en je kunt vectorzoekopdrachten combineren met gewone SQL-filters, joins en transacties.

Qdrant: productie self-hosted of managed

import { QdrantClient } from "@qdrant/js-client-rest";

const client = new QdrantClient({ url: "http://localhost:6333" });

await client.createCollection("documents", {
  vectors: { size: 1536, distance: "Cosine" },
});

await client.upsert("documents", {
  points: [
    {
      id: 1,
      vector: [0.1, 0.2],
      payload: { content: "Document tekst", category: "technisch", date: "2025-01" },
    },
  ],
});

const results = await client.search("documents", {
  vector: [0.15, 0.25],
  limit: 5,
  filter: {
    must: [{ key: "category", match: { value: "technisch" } }],
  },
  with_payload: true,
});

Qdrant biedt uitstekende performance, geavanceerde filtering en ondersteunt sparse vectors voor hybrid search. Je draait het zelf met Docker of je gebruikt Qdrant Cloud, dat een permanente gratis tier heeft voor experimenten en daarna afrekent op gereserveerde resources (vCPU, RAM en schijf) in plaats van per query.

Keuzewijzer

Loop deze vragen van boven naar beneden af en stop bij de eerste die op jou van toepassing is.

1. Gebruik je al PostgreSQL en blijf je onder enkele miljoenen vectors? Gebruik pgvector.
2. Ben je aan het prototypen of bouw je een klein systeem? Gebruik Chroma.
3. Heb je veel vectors, hoge query-volumes en wil je zelf hosten? Gebruik Qdrant of Weaviate.
4. Wil je geen enkele infrastructuur beheren? Gebruik Pinecone (serverless) of de managed variant van Qdrant of Weaviate.

Migratie tussen databases

Wissel je later van database, dan komt het neer op uitlezen in batches en herinvoeren aan de andere kant:

async function migrateVectors(source: VectorDB, target: VectorDB, batchSize = 1000): Promise<void> {
  let offset = 0;
  while (true) {
    const batch = await source.listAll(offset, batchSize);
    if (batch.length === 0) break;
    await target.upsertBatch(batch);
    offset += batchSize;
    console.error(`Gemigreerd: ${offset} vectors`);
  }
}

Omdat je de embeddings zelf hebt opgeslagen (of opnieuw kunt genereren uit de brontekst) hoef je bij een migratie meestal niet alles opnieuw te embedden. Houd wel rekening met verschillen in id-formaat en filter-syntaxis tussen databases.