ベクター検索エンジン比較：Qdrant vs Weaviate vs Milvus 2026年版でRAGを構築する

LLMアプリケーションのRAG（Retrieval-Augmented Generation）・セマンティック検索・レコメンデーションシステムでは、テキストや画像をベクター埋め込み（Embedding）に変換して意味的な類似度検索を行うベクターデータベースが中核となります。Qdrant（Rust製・高速）・Weaviate（Go製・スキーマ型・GraphQL）・Milvus（Go/C++・大規模分散）の3つが2026年のOSSベクターDBデファクトスタンダードです。

ベクターデータベースを選ぶ理由

• 意味検索: キーワード一致ではなく「意味的に近い」文書を検索（「犬の散歩」→「ペットの運動」がヒット）
• RAG高精度化: LLMに渡す参照文書を関連性の高いものに絞って回答精度を向上
• マルチモーダル: テキスト・画像・音声を同じベクター空間で横断検索
• スケール: 数億ベクターを低レイテンシ（1〜10ms）で検索できる専用インデックス（HNSW）

主要ツールの概要

Qdrant

2021年公開、Rust製のOSSです。GitHubスター21k+。Rustの性能を活かした高速・メモリ効率に優れたベクターDBで、ペイロード（メタデータ）フィルタリング・スパース/デンスベクターのハイブリッド検索・量子化（Scalar・Product）をサポートします。

# docker-compose.yml - Qdrant
version: "3.8"
services:
  qdrant:
    image: qdrant/qdrant:v1.12.0
    restart: unless-stopped
    ports:
      - "6333:6333"   # HTTP/REST API
      - "6334:6334"   # gRPC API
    volumes:
      - qdrant_data:/qdrant/storage
    environment:
      QDRANT__SERVICE__API_KEY: ${QDRANT_API_KEY}

volumes:
  qdrant_data:

# Python: Qdrant + LangChain でRAGパイプラインを構築
from qdrant_client import QdrantClient
from qdrant_client.models import (
    VectorParams, Distance, PointStruct,
    Filter, FieldCondition, MatchValue,
    SearchRequest, SparseVector,
)
from langchain_anthropic import ChatAnthropic
from langchain.embeddings import OpenAIEmbeddings
import uuid

client = QdrantClient(url='http://localhost:6333', api_key='your-api-key')
embedder = OpenAIEmbeddings(model='text-embedding-3-large')
llm = ChatAnthropic(model='claude-sonnet-4-6')

COLLECTION_NAME = 'knowledge_base'
VECTOR_SIZE = 3072  # text-embedding-3-large の次元数

# コレクション作成（ハイブリッド検索対応）
client.recreate_collection(
    collection_name=COLLECTION_NAME,
    vectors_config=VectorParams(size=VECTOR_SIZE, distance=Distance.COSINE),
)

def index_documents(documents: list[dict]):
    '''ドキュメントをベクター化してQdrantに保存'''
    texts = [doc['content'] for doc in documents]
    embeddings = embedder.embed_documents(texts)

    points = [
        PointStruct(
            id=str(uuid.uuid4()),
            vector=embedding,
            payload={
                'content': doc['content'],
                'source': doc['source'],
                'title': doc['title'],
                'category': doc['category'],
            }
        )
        for doc, embedding in zip(documents, embeddings)
    ]
    client.upsert(collection_name=COLLECTION_NAME, points=points)
    print(f'{len(points)}件のドキュメントをインデックス化')

def semantic_search(query: str, category: str = None, limit: int = 5) -> list[dict]:
    '''意味的類似検索（カテゴリフィルタ付き）'''
    query_vector = embedder.embed_query(query)

    # ペイロードフィルター
    search_filter = None
    if category:
        search_filter = Filter(
            must=[FieldCondition(key='category', match=MatchValue(value=category))]
        )

    results = client.search(
        collection_name=COLLECTION_NAME,
        query_vector=query_vector,
        query_filter=search_filter,
        limit=limit,
        with_payload=True,
        score_threshold=0.7,  # 類似度スコア閾値
    )

    return [
        {'content': hit.payload['content'], 'score': hit.score, 'source': hit.payload['source']}
        for hit in results
    ]

def rag_query(question: str) -> str:
    '''RAGクエリ: 関連ドキュメントを検索してLLMで回答生成'''
    # 1. ベクター検索で関連文書を取得
    relevant_docs = semantic_search(question, limit=5)
    context = '

'.join([f'[{i+1}] {doc["content"]}' for i, doc in enumerate(relevant_docs)])

    # 2. LLMで回答を生成
    prompt = f'''以下のコンテキストを参考に質問に答えてください。

コンテキスト:
{context}

質問: {question}

コンテキストに基づいて簡潔に回答してください。'''

    response = llm.invoke(prompt)
    return response.content

# 使用例
index_documents([
    {'content': 'Qdrantは高速なRust製ベクターデータベースです...', 'source': 'docs/qdrant.md', 'title': 'Qdrant概要', 'category': 'tech'},
    {'content': 'RAGはRetrieval-Augmented Generationの略で...', 'source': 'docs/rag.md', 'title': 'RAG入門', 'category': 'tech'},
])

answer = rag_query('ベクターデータベースとRAGの関係は？')
print(answer)

Weaviate

2019年公開、Go製のOSSです。GitHubスター12k+。スキーマ定義型・GraphQL API・BM25とベクター検索のハイブリッドが特徴のベクターDBです。モジュールシステム（text2vec-openai・text2vec-cohere・generative-openai）で埋め込み生成とLLM生成をWeaviate内で完結させられます。

# Weaviate: スキーマ定義とデータ投入
import weaviate
import weaviate.classes as wvc

client = weaviate.connect_to_local(
    host='localhost',
    port=8080,
    grpc_port=50051,
)

# コレクション（クラス）を作成
documents = client.collections.create(
    name='Document',
    vectorizer_config=wvc.config.Configure.Vectorizer.text2vec_openai(
        model='text-embedding-3-large',
    ),
    generative_config=wvc.config.Configure.Generative.openai(model='gpt-4o'),
    properties=[
        wvc.config.Property(name='content', data_type=wvc.config.DataType.TEXT),
        wvc.config.Property(name='source', data_type=wvc.config.DataType.TEXT),
        wvc.config.Property(name='category', data_type=wvc.config.DataType.TEXT),
    ],
)

# ハイブリッド検索（BM25 + ベクター）
results = client.collections.get('Document').query.hybrid(
    query='ベクターデータベース 検索',
    alpha=0.5,          # 0=BM25のみ、1=ベクターのみ、0.5=50/50
    limit=5,
)
client.close()

Milvus

2019年公開、Go/C++製のOSSです。GitHubスター32k+。十億スケールのベクターを分散処理できる本格的なベクターDBで、Kubernetes上での分散クラスター構成・GPU対応・複数インデックス（IVF・HNSW・DiskANN）をサポートします。

# Milvus: コレクション作成と検索
from pymilvus import MilvusClient, DataType

client = MilvusClient(uri='http://localhost:19530', token='root:Milvus')

schema = client.create_schema()
schema.add_field('id', DataType.INT64, is_primary=True, auto_id=True)
schema.add_field('content', DataType.VARCHAR, max_length=65535)
schema.add_field('embedding', DataType.FLOAT_VECTOR, dim=1536)

index_params = client.prepare_index_params()
index_params.add_index('embedding', index_type='IVF_FLAT', metric_type='COSINE', params={'nlist': 128})

client.create_collection('docs', schema=schema, index_params=index_params)

# 検索
results = client.search(
    collection_name='docs',
    data=[query_vector],
    anns_field='embedding',
    limit=10,
    output_fields=['content'],
)

機能比較表

比較項目	Qdrant	Weaviate	Milvus
言語	Rust	Go	Go/C++
スケーラビリティ	大	大	最大（10億+）
ハイブリッド検索	✅	✅	✅
GraphQL API	❌	✅	❌
GPU対応	△	❌	✅
GitHub Stars	21k+	12k+	32k+

ベクターデータベースはLLM Toolsカテゴリ/categories/llm-toolsのLangChain・LlamaIndex・OpenAI Embeddingsと統合してRAGシステムの中核を担います。DevOpsカテゴリ/categories/devopsのMinIO・S3にドキュメントを保存して、変更検知→再インデックス化のパイプラインをAirflowで自動化します。

FAQ

Q. Pinecone（商用SaaS）とQdrant/Weaviateを比較するとどうですか？

A. 管理コスト0・即日スタートならPinecone、コスト削減・セルフホスト・データ主権ならQdrant/Weaviateが向いています。コスト比較: Pinecone Starter無料枠は1インデックス・100万ベクターまで。それ以上は月$70〜（Standard）。Qdrantセルフホスト: VPS（$20/月）でGB単位のベクター管理が可能。Weaviate Cloud: Sandboxは14日無料後有料。機能差: ①Pineconeはマルチテナント・メタデータフィルタリングが充実②QdrantはRust性能でPineconeとほぼ同等のレイテンシ③Weaviateはモジュールシステムでエンベッディング生成をまとめて管理。

Q. Qdrantのコレクションに大量ドキュメント（100万件+）を効率的にインデックス化するには？

A. バッチ処理（upload_collection）+ 並列エンベッディング生成で高速化します。①client.upload_collection(collection_name, vectors=embeddings_list, payload=payloads_list, batch_size=256)でバッチUpsert②エンベッディング生成はasyncioまたはconcurrent.futures.ThreadPoolExecutorでOpenAI APIを並列呼び出し（Rate limit内で並列度を調整）③大規模（10万+）は一時的にインデックス作成を停止（optimizers_config: {indexing_threshold: 0}）してバルク投入後に再有効化④Qdrantのオンディスクペイロードインデックス（create_payload_index）でフィルタリングが高速になる。目安: 100万ベクター（dim=1536）をQdrantに投入するのに約30分（エンベッディング生成が主ボトルネック）。

Q. ハイブリッド検索（BM25+ベクター）はいつ使うべきですか？

A. 技術用語・固有名詞・型番などキーワード完全一致が重要な場合にハイブリッドが効果的です。ベクター検索のみの弱点: 「iPhone 15 Pro Max」→「最新スマートフォン」にマッチしてしまい、特定の製品番号や人名を正確に検索できない。ハイブリッド（BM25+ベクター）: ①BM25がキーワードの完全一致・IDF重み付けを担当②ベクターが意味的類似度を担当③alphaパラメーターで重み調整（技術ドキュメント: alpha=0.3でBM25寄り、一般文書: alpha=0.7でベクター寄り）。Qdrantのハイブリッド実装: スパースベクター（sparse_vectorsフィールド）とデンスベクターを両方定義してquery_sparse_vectorsとquery_vectorを同時指定。

Q. RAGのチャンク分割はどのようにすべきですか？

A. チャンク戦略がRAGの精度に最も影響します。主要戦略: ①Fixed Size + Overlap: 512トークン単位でチャンク分割・50トークンオーバーラップ（最も一般的・Langchain RecursiveCharacterTextSplitter）②Semantic Chunking: 文の類似度が急変するポイントでチャンクを分割（langchain_experimental.text_splitter.SemanticChunker）③Document Structure: H1/H2/H3見出しの構造に合わせてチャンク分割（Markdown・HTMLドキュメント向け）④Small-to-Big: 小チャンク（128トークン）でベクター検索して、ヒットしたチャンクの周辺のより大きな文脈（512トークン）をLLMに渡す。実測値: 256〜512トークンのチャンクサイズが多くのユースケースでF1スコアが最も高くなります。

まとめ

ユースケース	推奨ツール
RAG・高速検索・Rust性能・フィルタリング	Qdrant
GraphQL・モジュールシステム・スキーマ型	Weaviate
10億+スケール・GPU・分散クラスター	Milvus

関連外部リソース

• Qdrant GitHubリポジトリ↗
• Weaviate GitHubリポジトリ↗
• Milvus GitHubリポジトリ↗
• LlamaIndex（RAGフレームワーク）↗