ベクトルDB比較2025：Qdrant vs Milvus vs Weaviate で類似検索を構築する

🔎 RAG・意味検索・レコメンドエンジンに必須のベクトルデータベース。2025年最新版でQdrant・Milvus・Weaviateを徹底比較します。

ベクトルDBとは

テキスト・画像・音声をEmbeddingした高次元ベクトルを保存し、コサイン類似度・ユークリッド距離等で類似検索（ANN: Approximate Nearest Neighbor）を行うデータベースです。

主要ツール比較表

項目	Qdrant	Milvus	Weaviate
ライセンス	Apache 2.0	Apache 2.0	BSD 3-Clause
言語	Rust	Go/C++	Go
インメモリ	◎	◎	◎
ディスク対応	◎（Memmap）	◎（MMap）	◎
フィルタリング	◎	◎	◎
スパースベクトル	◎（SPLADE）	◎	○
マルチモーダル	○	○	◎
スケールアウト	◎	◎	◎
Managed SaaS	Qdrant Cloud	Zilliz Cloud	Weaviate Cloud

各ツールの特徴

Qdrant

Rustで書かれた高速・高精度なベクトル検索エンジン。フィルタリング精度とパフォーマンスのバランスが最も優れています。

主な特徴:

• ペイロードフィルタリング（メタデータで絞り込み）が高速
• スパースベクトル（SPLADE）とデンスベクトルのハイブリッド検索
• 量子化（スカラー・積）でメモリ削減
• Rust製で低メモリ・低CPU消費

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = QdrantClient(url="http://localhost:6333")

# コレクション作成
client.create_collection(
    collection_name="my_docs",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE),
)

# ベクトル挿入
client.upsert(
    collection_name="my_docs",
    points=[
        PointStruct(
            id=1,
            vector=[0.1, 0.2, ...],  # 1536次元ベクトル
            payload={"title": "Python入門", "category": "programming"}
        ),
    ]
)

# 類似検索（メタデータフィルタ付き）
results = client.search(
    collection_name="my_docs",
    query_vector=[0.1, 0.2, ...],
    query_filter={"must": [{"key": "category", "match": {"value": "programming"}}]},
    limit=5,
)

向いているケース: RAG・類似検索・フィルタリング重視

Milvus

Zilliz社が開発した、大規模ベクトル検索のためのOSSデータベース。数十億規模のベクトルを扱う超大規模ユースケースで実績があります。

主な特徴:

• IVF_FLAT・HNSW・IVF_PQ等の豊富なインデックスタイプ
• ストリーミング（Kafka/Pulsar）との統合
• GPU加速サポート
• 数十億ベクトルの本番実績（Alibaba等）

from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection

# 接続
connections.connect(host='localhost', port='19530')

# スキーマ定義
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536),
    FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=2000),
]
schema = CollectionSchema(fields, description="Document collection")
collection = Collection("my_docs", schema)

# インデックス作成
index_params = {"index_type": "HNSW", "metric_type": "COSINE", "params": {"M": 16, "efConstruction": 200}}
collection.create_index("embedding", index_params)

# 検索
collection.load()
results = collection.search(
    data=[[0.1, 0.2, ...]],
    anns_field="embedding",
    param={"metric_type": "COSINE", "params": {"ef": 100}},
    limit=5,
    output_fields=["text"]
)

向いているケース: 超大規模（10億件以上）・GPU利用・エンタープライズ

Weaviate

GraphQL APIとマルチモーダル検索を特徴とするベクトルDB。テキスト・画像・音声をネイティブに処理できます。

主な特徴:

• ビルトインEmbeddingモジュール（OpenAI/Cohere/Hugging Face等と直接統合）
• GraphQL APIでシンプルなクエリ
• マルチモーダル（テキスト+画像の同時検索）
• Generative Search（検索+LLM生成を1クエリで）

import weaviate
import weaviate.classes as wvc

client = weaviate.connect_to_local()

# コレクション作成（自動Embedding付き）
client.collections.create(
    "Article",
    vectorizer_config=wvc.config.Configure.Vectorizer.text2vec_openai(),
    generative_config=wvc.config.Configure.Generative.openai(),
    properties=[
        wvc.config.Property(name="title", data_type=wvc.config.DataType.TEXT),
        wvc.config.Property(name="content", data_type=wvc.config.DataType.TEXT),
    ]
)

articles = client.collections.get("Article")

# データ挿入（Embeddingは自動生成）
articles.data.insert({"title": "Python入門", "content": "Pythonは..."})

# ハイブリッド検索（ベクトル+キーワード）
results = articles.query.hybrid(
    query="Python プログラミング 入門",
    limit=5,
)

client.close()

向いているケース: マルチモーダル・Generative Search・GraphQL API

選択ガイド

状況	推奨
フィルタリング重視・パフォーマンス	Qdrant
超大規模（10億件以上）・GPU	Milvus
マルチモーダル・Generative Search	Weaviate

内部リンク

• LLM評価ツール比較
• OSSのRAGフレームワーク比較

外部リソース

• Qdrant 公式ドキュメント↗
• Milvus 公式サイト↗
• Weaviate 公式ドキュメント↗
• ベクトルDB比較ベンチマーク（ANN Benchmarks）↗

FAQ

Q. pgvector（PostgreSQL拡張）との違いは何ですか？

pgvectorは既存のPostgreSQLにベクトル検索を追加します。数百万件までなら十分ですが、それ以上の規模や高度なANNアルゴリズムが必要な場合は専用のベクトルDBを検討してください。

Q. Qdrant・Milvus・Weaviateはローカルで動かせますか？

3ツールともDockerで1コマンドで起動できます。本番はクラスタモード、開発はシングルノードというように使い分けできます。

Q. ハイブリッド検索とは何ですか？

ベクトル検索（意味的類似度）とキーワード検索（BM25等）を組み合わせて、どちらか一方では見つけられない結果を補完するテクニックです。

Q. Embeddingモデルはどれを使うべきですか？

日本語の場合はtext-embedding-3-small（OpenAI）やintfloat/multilingual-e5-largeが精度が高いです。コストを抑えたい場合はローカルモデルも選択肢です。