Стартуешь новый веб-проект — и руки сами тянутся собрать «взрослый» стек. Прилетели разношерстные JSON-документы? Поднимаем MongoDB. Нужен поиск с защитой от опечаток? Ставим Elasticsearch. Прикручиваем RAG-бота на эмбеддингах? Регистрируемся в Pinecone. Пишем метрики? Разворачиваем InfluxDB. Появились фоновые задачи? Берём Redis.
На схеме в Miro всё выглядит солидно. Каждую базу добавили ради реальной задачи. Проблема вылезает через полгода в проде. Такой подход называют Polyglot Persistence (полиглотное хранение — под каждый тип данных своя СУБД). И главный счёт за него приходит не от облака.
Платить приходится сложностью эксплуатации. Каждая лишняя база — это новый пул подключений, отдельная схема бэкапов, ещё один дашборд мониторинга, свой способ упасть в пятницу вечером и лишний повод проснуться в три часа ночи. В разборе SQL Portal это сформулировали точно: «За каждым стеком с избыточным количеством баз данных стоит команда, которая даже не проверила, что уже умеет PostgreSQL».
А умеет он в 2026 году много: вместе со зрелыми расширениями один кластер закрывает 80–90% типовых задач. Разберём все пять пар на живом SQL и отметим границу, за которой отдельная база действительно окупается.
JSONB и pgvector: документы и AI-поиск без MongoDB и Pinecone
Первыми в проект попадают гибкие данные: вебхуки платёжек, события, анкеты с разным набором полей. Кажется, что реляционные таблицы тут мешают, и команда берёт MongoDB.
В PostgreSQL давно есть JSONB — бинарный JSON, который понимает планировщик запросов. Чтобы поиск по вложенным ключам не сканировал всю таблицу, сверху вешают GIN-индекс (Generalized Inverted Index — обратный индекс, работающий как предметный указатель в книге: раскладывает ключи документа и сразу указывает на нужные строки).
-- GIN-индекс по колонке с JSONB-документами
CREATE INDEX idx_events_payload
ON events USING gin (payload);
-- Поиск по вложенному полю через индекс
SELECT id, payload
FROM events
WHERE payload @> '{"type": "checkout"}';
Оператор @> проверяет вхождение пары ключ-значение и спокойно идёт в индекс. Главное — документы лежат рядом с пользователями и заказами, так что работают ACID-транзакции и обычные JOIN. Разработчики после переезда с MongoDB почти всегда признаются: обычных JOIN им не хватало сильнее, чем ожидалось. Плюс ты сразу убираешь один пул соединений и отдельную схему бэкапов.
Вторая частая причина плодить базы — векторный поиск для RAG. Вместо Pinecone или Chroma в Postgres ставится pgvector (ветка v0.8.7, поддержка PostgreSQL 13+, float, half-precision, бинарные и разреженные векторы, квантизация). Из коробки работают косинусное расстояние (<=>), евклидово L2 (<->) и скалярное произведение (<#>).
-- Подключаем pgvector и строим HNSW-индекс
CREATE EXTENSION IF NOT EXISTS vector;
CREATE INDEX idx_docs_emb
ON docs USING hnsw (embedding vector_cosine_ops);
-- Ищем пять ближайших документов к вектору запроса
SELECT id, title
FROM docs
ORDER BY embedding <=> $1
LIMIT 5;
Если твой RAG-сервис и так ходит в Postgres, pgvector убирает лишний сетевой переход и отдельный сервис со своими квотами API. Векторы лежат рядом с бизнес-таблицами — права доступа и близость фильтруются одним запросом.
Учти разницу между индексами HNSW (многослойный граф) и IVFFlat (разбиение на кластеры). HNSW даёт выше точность и его можно создавать на пустой таблице, но он строится дольше и ест в 2–5 раз больше RAM. IVFFlat легче по памяти, но на пустой таблице его вешать нельзя: кластеры окажутся бессмысленными до REINDEX после загрузки данных.
Поиск с опечатками и временные ряды: tsvector, pg_trgm и TimescaleDB
Появляется строка поиска — и на планёрке сразу звучит «Elasticsearch». А потом команда недели тратит на синхронизацию, ловит расхождения с основной базой и кормит памятью Java-кластер.
Внутри Postgres связка tsvector + pg_trgm + GIN даёт ранжированный полнотекстовый поиск, языковые словари, автодополнение и защиту от опечаток. Расширение pg_trgm работает на триграммах: режет слова на тройки соседних символов (pos, ost, stg) и считает долю совпадений.
-- Включаем триграммы и вешаем GIN-индекс на название
CREATE EXTENSION IF NOT EXISTS pg_trgm;
CREATE INDEX idx_items_name_trgm
ON items USING gin (name gin_trgm_ops);
-- Ищем с опечатками и сортируем по похожести
SELECT name
FROM items
WHERE name % 'postgres'
ORDER BY similarity(name, 'postgres') DESC;
Оператор % отбирает похожие строки, а similarity поднимает лучшие совпадения наверх. Работает правило 80/20: Postgres закрывает около 80% реального поиска без лага синхронизации — запись попала в таблицу и сразу ищется. Прежде чем поднимать Elasticsearch, проверь, точно ли ты в сложных 20%.
С метриками и телеметрией история ещё смешнее. Большинство команд узнают о TimescaleDB (его развивает TigerData) уже после того, как настроили InfluxDB или Amazon Timestream — ровно поэтому InfluxDB вообще попала в этот список.
Официальный баннер TimescaleDB от TigerData — расширения PostgreSQL для временных рядов и аналитики (Источник: tigerdata.com)
TimescaleDB — расширение поверх PostgreSQL. Оно превращает таблицу метрик в гипертаблицу: данные автоматически режутся на интервалы времени, старые блоки сжимаются, а вместо ручных крон-отчётов работают continuous aggregates (непрерывные агрегаты — предрасчитанные сводки, которые фоном обновляют только свежие куски истории).
-- Превращаем таблицу метрик в гипертаблицу по времени
SELECT create_hypertable('metrics', by_range('ts'));
Одна строка SQL — и ты получаешь автосекционирование без изучения Flux или InfluxQL и без нового runbook для дежурных. Мелкая оговорка для TimescaleDB 2.13+: если нужна доклейка свежих данных на лету (real-time aggregation), её включение для непрерывных агрегатов стоит проверить явно.
События и очереди задач: LISTEN/NOTIFY, SKIP LOCKED и pg-boss вместо Redis
Redis часто тянут на второй день ради лёгких очередей и рассылки событий — даже не замерив, как с этим справится Postgres.
Для быстрых уведомлений в PostgreSQL встроен LISTEN/NOTIFY: один процесс шлёт сигнал в канал, подписчики его ловят. Но в документации есть два жёстких лимита: размер payload ограничен 8000 байт, а сообщения не сохраняются при обрыве подписчика. Поэтому в NOTIFY передают только ID строки, а сами данные читают из таблицы.
Для надёжных (durable) очередей работает FOR UPDATE SKIP LOCKED. Несколько воркеров разбирают одну таблицу параллельно: каждый блокирует первую свободную задачу и проскакивает уже занятые соседями строки без простоев.
-- Воркер берёт одну свободную задачу без гонок и блокировок
SELECT id, payload
FROM jobs
WHERE status = 'pending'
ORDER BY created_at
FOR UPDATE SKIP LOCKED
LIMIT 1;
Велосипеды с ретраями и таймерами писать не нужно: например, для Node.js есть pg-boss — продакшн-очередь на транзакциях PostgreSQL и SKIP LOCKED с отложенными задачами, повторами и синглтонами.
Но без фанатизма: Postgres не заменит Redis для горячего кэша с задержкой меньше миллисекунды под нагрузкой или распределённых лимитеров на десятки тысяч RPS. Просто замерь Postgres до того, как поднимать лишний сервис.
Где заканчивается «единый Postgres»: честная карта границ
Единый кластер экономит время команды и убирает рассинхрон, пока нагрузка не упёрлась в физический потолок. Выносить узел в отдельную СУБД стоит ровно тогда, когда это показывают замеры.
| Задача | Отдельная БД | Решение в PostgreSQL | Когда всё же нужна отдельная БД |
|---|---|---|---|
| JSON-документы | MongoDB | JSONB + GIN | Сверхвысокая запись огромных слабосвязанных документов с шардированием из коробки |
| Векторы и RAG | Pinecone / Chroma | pgvector (HNSW / IVFFlat) | Сотни миллионов или миллиарды векторов — HNSW перестаёт влезать в RAM |
| Полнотекстовый поиск | Elasticsearch | tsvector + pg_trgm + GIN | Сложная фасетная аналитика, кастомная морфология на десятках языков, терабайты логов |
| Временные ряды | InfluxDB / Timestream | TimescaleDB (гипертаблицы) | Сверхплотная телеметрия, которую выгоднее изолировать от основной OLTP-базы |
| Очереди и события | Redis / брокеры | LISTEN/NOTIFY, SKIP LOCKED, pg-boss | Кэш < 1 мс или десятки тысяч сообщений/сек, где VACUUM и MVCC душат базу |
Последний пункт — самый частый реальный порог. В Postgres работает MVCC (версионность строк: обновления и удаления не стирают данные сразу, а помечают старые версии для уборки фоновым VACUUM). Пока через таблицу jobs идут сотни задач в секунду, база этого не замечает. Как только поток доходит до десятков тысяч событий в секунду, постоянная перезапись раздувает таблицу, и автовакуум начинает воевать за диски с основными запросами — вот тут и наступает момент для Kafka, RabbitMQ или Redis.



