Вектор умер. Да здравствует поиск

Turbopuffer — одна из самых быстрорастущих компаний в сфере AI-инфраструктуры — опубликовала провокационный пост с заголовком «RIP, vector database» («Упокойся с миром, векторная база данных»). Речь идёт не о банкротстве, а о кардинальной смене архитектуры: компания отказывается от вектора как первичного индекса хранилища. Новый движок turbopuffer v3 меняет всё — от того, как документы раскладываются по диску, до того, как выполняются поисковые запросы.

ℹ Что такое vector database?
Vector database (векторная база данных) — система хранения данных, оптимизированная под поиск по смысловой близости (similarity search). Вместо точных совпадений по ключевым словам она ищет «похожие» объекты по числовым представлениям (эмбеддингам). Широко применяется в RAG-пайплайнах (Retrieval-Augmented Generation) и рекомендательных системах.

Что изменилось в turbopuffer v3

30 сентября 2026 года инженер компании Дэн Харрисон объявил о смене архитектуры хранилища. Новый движок, неофициально названный «turbopuffer v3», меняет то, как документы и индексы размещаются, записываются, уплотняются и запрашиваются. Это позволит обслуживать значительно больше типов запросов и работать в куда большем масштабе.

Turbopuffer продвигает границы поиска. Для этого компании пришлось фундаментально переосмыслить архитектуру хранилища — так, чтобы векторный индекс перестал быть первичным.

До этого момента всё строилось вокруг ANN (Approximate Nearest Neighbor — приближённый поиск ближайших соседей): документы адресовались через кластерные и локальные идентификаторы, и именно вектор определял, где лежат данные. С переходом к v2 появились атрибутная фильтрация и полнотекстовый поиск. Чтобы фильтрация была быстрой и полной по охвату, её реализовали как инвертированный индекс, отображающий значение атрибута на ANN-адрес документов, содержащих его.

Теперь в v3 этот порядок переворачивается с ног на голову: документ первичен, а векторный индекс — лишь один из вспомогательных.

💡 Почему это важно
Когда вектор первичен, каждый новый тип запроса (фильтрация по метаданным, BM25-поиск, гибридный поиск) требует «подстройки» под чужую логику адресации. Если первичен документ — добавлять новые типы индексов и планов запросов становится органично и дёшево.

Путь от v1 к v3


timeline
    title Эволюция turbopuffer
    2023 : v1 — serverless vector DB
         : Только ANN-поиск, S3 как хранилище
    2024 : Continuous recall measurement
         : Масштаб до триллионов векторов
    2025 : v2 — фильтрация + BM25 full-text search
         : Гибридный поиск
    2026 : v3 — документ как первичный индекс
         : RIP, vector database

Turbopuffer запускался как serverless vector database — узкоспециализированная система для крайне дешёвого и достаточно быстрого векторного поиска. Ключевые вехи включали непрерывное измерение точности recall в сентябре 2024-го, нативную фильтрацию для векторного поиска в январе 2025-го и вторую версию full-text search в декабре 2025-го.

Почему turbopuffer — не просто ещё одна БД

Среди главных преимуществ платформы — радикальное снижение затрат: примерно в 10 раз по сравнению с традиционными векторными базами данных. Хранилище на объектном хранилище обходится в $0,02 за ГБ против $0,33 у конкурентов.

В продакшне turbopuffer уже обрабатывает 2,5 триллиона документов и 10 миллионов записей в секунду — системой пользуются Cursor, Anthropic, Notion и Atlassian.

Большинство векторных БД используют HNSW — граф-индекс, которому нужны данные в оперативной памяти. Но векторные эмбеддинги в 20–30 раз тяжелее исходного текста, и при миллиардах векторов RAM обходится в 70 раз дороже S3. Turbopuffer изначально построен на S3: центроидный поиск с группировкой векторов в кластеры, сравнением запроса с центрами кластеров — всего 2 параллельных обращения против 10–20 последовательных у HNSW.

Рынок растёт, но правила меняются

Рынок векторных баз данных оценивается в $3,73 млрд в 2026 году и, по прогнозам, достигнет $8,71 млрд к 2030-му при CAGR 23,6%.

Но внутри этого роста идёт структурная ломка:

Если 2022–2025 годы прошли под знаком добавления нативных векторных баз данных в AI-приложения, то 2026-й разворачивает маятник назад — к расширенным реляционным базам данных, переосмыслению архитектурных решений и решению проблем edge-развёртывания.

ПараметрКлассическая vector DBturbopuffer v3
Первичный индексВекторный (ANN/HNSW)Документ
Типы запросовVector searchVector + BM25 + фильтры + hybrid
ХранилищеRAM / SSDS3 + многоуровневый кэш
Стоимость хранения~$0,33/ГБ~$0,02/ГБ
Latency (warm)<10 мс<10 мс
Namespace-лимитыЕсть (до 100K у Pinecone)Нет
⚠ Оговорка
Turbopuffer не является open-source и требует минимального расхода от $64/месяц. Для небольших хобби-проектов или команд с жёсткими требованиями к self-hosting — это ограничение.

Что это значит для отрасли

Отказ от векторного индекса как первичного — это не деградация, а взросление: признание того, что поиск в эпоху ИИ — это всегда гибридная задача.

Векторные базы данных в 2026 году — уже не эксперимент, а mission-critical инфраструктура для продакшн AI-систем. RAG-пайплайны стали стандартной инфраструктурой, а модели ценообразования сместились от «per-pod» к serverless-потреблению.

Шаг turbopuffer — сигнал всей отрасли: специализированная «векторная база данных» как категория может оказаться переходным этапом. Будущее — за универсальными поисковыми движками, где вектор лишь один из инструментов, а не фундамент архитектуры. Компании вроде Cursor, Notion и Anthropic, уже работающие на turbopuffer в проде, получат этот апгрейд первыми.

📝 Практический вывод
Если вы выбираете инфраструктуру для RAG или семантического поиска в 2026 году — смотрите не только на benchmark по векторному поиску, но и на гибкость планов запросов: фильтрация, BM25, гибридный режим. Именно туда движется рынок.