【2026年版】ベクトルDB入門｜Chroma/Pinecone/pgvector徹底比較&実装ガイド

はじめに:AI時代のインフラ「ベクトルDB」とは

生成AI、RAG(検索拡張生成)、推薦システムなどで必須のインフラが ベクトルDB(Vector Database)です。従来の関係型DBとは異なり、テキストや画像を数値ベクトルで保存し、意味的な類似度で検索できる新しいデータベースです。

この記事では、ベクトルDBの基礎から、主要3製品(Chroma・Pinecone・pgvector)の徹底比較、Python実装例まで解説します。

• ベクトルDBの仕組みと用途
• Chroma / Pinecone / pgvector の比較
• Python実装例
• 選定ガイド(用途別)
• 2026年の最新トレンド

ベクトルDBとは? 従来DBとの違い

基本の仕組み

ベクトルDBは「数値ベクトル」を保存・検索するDB。テキスト・画像・音声などを事前に Embedding モデルでベクトル化(例: 1,536次元の数値配列)してから保存します。検索時は コサイン類似度や内積で「意味が近い」ベクトルを高速に取り出せます。

従来DBとの違い

主な用途

• RAG実装:ドキュメント検索(社内Q&A・顧客サポート)
• レコメンドシステム:類似商品・類似記事提案
• 類似画像検索:ECサイトの画像検索・著作権侵害検出
• セマンティック検索:キーワード一致ではない意味検索
• 異常検知:正常パターンからの逸脱検知

Chroma - 個人開発者の味方

特徴

• 開発元:Chroma(オープンソース)
• 料金:完全無料(セルフホスト)
• ベース:SQLite / DuckDB / ClickHouse(選択可)
• 対応言語:Python / JavaScript

強み

• セットアップ最速:pip install chromadbのみで動く
• 永続化はSQLiteのファイル1つ(扱いやすい)
• LangChain / LlamaIndex と標準統合
• 小〜中規模データ(数百万ベクトルまで)で十分な性能
• 学習コスト最小

弱み

• 大規模(1,000万件超)には不向き
• 分散処理・HAには別途クラウド版が必要
• 監査ログ・RBAC等の企業要件は弱い

実装例

pip install chromadb langchain-openai

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma

embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
texts = [
    "有給休暇は入社6ヶ月後から10日付与されます。",
    "リモートワークは週3日まで可能です。",
    "健康保険は入社当日から適用されます。",
]
db = Chroma.from_texts(
    texts, embeddings, persist_directory="./chroma_db"
)

results = db.similarity_search("休みは何日もらえる?", k=2)
for r in results:
    print(r.page_content)

👉 個人・PoC・中小規模プロジェクトに最適。

Pinecone - 本番運用の定番クラウドサービス

特徴

• 開発元:Pinecone Systems(2019年設立)
• 料金:Starter無料(5GB)・Standard $70/月〜
• フルマネージド(サーバーレス)
• 対応言語:Python / Node.js / Java / Go / REST

強み

• フルマネージドでスケール自動
• 低レイテンシ(50ms以下)で億単位ベクトル検索
• SaaS型で運用負担ゼロ
• Hybrid Search(ベクトル + キーワード)標準
• Metadata filterで高度な絞り込み
• 無料枠(100万ベクトル)あり

弱み

• 有料プランは月$70〜で小規模では高い
• データが外部サービスに保存(エンタープライズ要件注意)
• ベンダーロック気味

実装例

pip install pinecone-client langchain-pinecone langchain-openai

from pinecone import Pinecone, ServerlessSpec
from langchain_pinecone import PineconeVectorStore
from langchain_openai import OpenAIEmbeddings
import os

pc = Pinecone(api_key=os.environ["PINECONE_API_KEY"])

# Index作成(初回のみ)
if "docs" not in pc.list_indexes().names():
    pc.create_index(
        name="docs",
        dimension=1536,
        metric="cosine",
        spec=ServerlessSpec(cloud="aws", region="us-east-1"),
    )

embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = PineconeVectorStore(
    index_name="docs", embedding=embeddings
)
vectorstore.add_texts(["有給休暇は10日間付与されます。"])
results = vectorstore.similarity_search("休みは何日?", k=3)

👉 本番運用・大規模データ・運用負荷ゼロが欲しい企業に最適。

pgvector - 既存PostgreSQL拡張

特徴

• 開発元:オープンソース(ANKANE/pgvector)
• 料金:PostgreSQL本体のライセンス費用のみ(無料)
• 既存PostgreSQLに CREATE EXTENSION vector;で追加
• 対応SQL構文で検索

強み

• 既存PostgreSQLインフラをそのまま使える
• RDBと一体管理(トランザクション・JOIN等が使える)
• Supabase / Neon / AWS RDSで標準サポート
• SQLで検索可能(SQLエンジニアの学習コスト最小)
• HNSW / IVFFlat インデックス対応で高速

弱み

• 専門ベクトルDB(Pinecone等)より一般にやや遅い
• 超大規模(億単位)では別DB検討
• PostgreSQL本体の運用知識が必要

実装例(SQL)

-- PostgreSQL でベクトル拡張を有効化
CREATE EXTENSION IF NOT EXISTS vector;

-- テーブル作成
CREATE TABLE documents (
  id SERIAL PRIMARY KEY,
  content TEXT,
  embedding vector(1536)  -- OpenAI text-embedding-3-small
);

-- インデックス作成(HNSW・高速)
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

-- データ挿入(埋め込みはアプリ側で計算)
INSERT INTO documents (content, embedding)
VALUES ('有給は10日付与されます', '[0.1, 0.2, ...]');

-- 類似検索
SELECT content
FROM documents
ORDER BY embedding <=> '[0.1, 0.2, ...]'  -- クエリの埋め込み
LIMIT 5;

👉 既存PostgreSQL環境・トランザクション連携・SQLで統一したい企業に最適。

3製品 徹底比較表

用途別の選び方

• 個人開発・PoC → Chroma(無料・最速セットアップ)
• 本番運用・運用負荷ゼロが欲しい → Pinecone(フルマネージド)
• 既存PostgreSQLがある・RDB統合したい → pgvector
• オンプレ・社内管理必須 → Chroma(セルフホスト)or pgvector
• 億単位の大規模データ → Pinecone(スケール自動)or Qdrant/Weaviate(他選択肢)

その他の選択肢

• Qdrant:Rust製で高速・オープンソース・クラウド版あり
• Weaviate:機能豊富・GraphQL API・オンプレ可
• Milvus:大規模特化・NVIDIA GPU活用
• Supabase Vector:pgvectorのSaaS版(開発体験が良い)
• Elasticsearch(dense vector):既存Elasticsearchがあるなら
• Redis(RediSearch):高速キャッシュと兼用

2026年のトレンド

Hybrid Search 標準化

ベクトル検索単体では精度に限界があり、BM25等のキーワード検索と組み合わせるのが主流。Pineconeは標準対応、他のDBも plugin で対応。

Reranking の普及

Retrieverで上位20件を取得 → Cohere Rerank API等で再ランキング → 上位5件をLLMに渡す、の2段階構成が標準に。

Sparse Embedding の活用

SPLADE等のSparse Embeddingと Dense Embedding の併用で精度向上。Pineconeがいち早く対応。

マネージドpgvector の台頭

Supabase・Neon・AWS Aurora等が pgvector を標準装備。「とりあえずPostgreSQL + pgvectorから始める」が最も合理的な選択肢に。

よくある質問(FAQ)

Q. どれから始めるべき?

個人・PoCなら Chroma一択。本番運用を見据えるなら Supabase + pgvectorがSaaSの手軽さと長期性のバランス◎。

Q. 月額どのくらいかかる?

Chromaなら完全無料(APIコスト別途)。Pineconeは100万ベクトルまで無料、本番運用で$70〜。pgvectorはPostgreSQLのサーバー費用($10〜$100)に相乗り。

Q. 1億ベクトルは扱える?

可能ですが、ChromaはNG(非推奨)。Pinecone / Milvus / Qdrant Cloud が本命。pgvector は分散しないため、1台で頑張るなら数千万程度までが限度。

Q. 埋め込みモデルは何を使う?

OpenAI text-embedding-3-smallが性能・コスト・多言語対応のバランス最強。日本語特化なら multilingual-e5-large(無料・ローカル実行可)がおすすめ。

Q. ドキュメントが更新されたらどうする?

対応チャンクを削除→再埋め込み→再登録のサイクル。Webhookで更新検知+差分同期を実装するのが本番運用の鉄則。

まとめ:個人はChroma、本番はPineconeかpgvector

• 学習・PoC → Chroma(無料・最速)
• 本番SaaS型 → Pinecone(スケール自動)
• 本番RDB統合型 → Supabase + pgvector(統合しやすい)

ベクトルDBは、2026年の生成AI時代に必須のインフラです。今日から試して自分の肌に合う1つを見つけましょう。

関連記事

👉 【2026年版】エンジニアのためのRAG実装入門
👉 【2026年版】Vercel AI SDK vs LangChain 徹底比較
👉 【2026年版】Claude APIでSlack社内Botを作る完全ガイド
👉 個人開発・副業に最適なサーバー完全ガイド
👉 【2026年版】Web APIとAPIキー・OAuth・REST/GraphQL 完全ガイド