Sofortantwort
Vektordatenbank einfach erklärt
Eine Datenbank für die Speicherung hochdimensionaler Vektoren.
- Kurz gesagt
- Speichert Embedding-Vektoren und ermöglicht schnelle Ähnlichkeitssuchen
- Typischer Einsatz
- RAG-Systeme, Semantische Suche, Empfehlungssysteme
- Wichtig zu wissen
- Unterstützt je nach System exakte Suche und approximative Indizes wie HNSW oder IVF
Vektordatenbank im Überblick
Eine Vektordatenbank speichert Embeddings zusammen mit IDs und Metadaten und macht sie für Ähnlichkeitssuche verfügbar. Ein RAG-System kann so zur Frage nach einer Kündigungsfrist auch Passagen mit anderer Wortwahl finden. Eine relationale Datenbank mit Vektorerweiterung wie pgvector kann dieselbe Aufgabe übernehmen.
Beim Indexieren erzeugst du für jeden Dokumentabschnitt ein Embedding und speicherst eine stabile Chunk-ID sowie einen Quellenverweis. Bei der Suche vektorisierst du die Anfrage mit einem zum Index passenden Modell und suchst nach den nächsten Nachbarn. Wenn du das Embedding-Modell wechselst, legst du einen passenden Index für die neu berechneten Vektoren an.
Technisch betrachtet
Exakte Suche und ANN-Indizes
Exakte Suche liefert die nächsten Vektoren nach dem gewählten Distanzmaß. Sie ist eine Referenz für Tests und kann bei kleinen oder stark gefilterten Datenmengen ausreichen. Approximative Indizes (ANN) suchen über Kandidaten, um weniger Distanzberechnungen auszuführen. Dabei können sie einzelne tatsächliche Nachbarn verpassen.
- HNSW verknüpft Vektoren in einem mehrstufigen Graphen. Beim Vergleich zählen auch Speicherbedarf und Zeit für den Indexaufbau.
- IVF teilt Vektoren in Gruppen ein. Bei der Suche werden ausgewählte Gruppen geprüft. Mehr durchsuchte Gruppen können den Recall erhöhen und die Suche verteuern.
- Quantisierung speichert Vektoren kompakter. Miss die Auswirkung auf Trefferqualität und den gesamten Speicherbedarf inklusive Index und Metadaten.
Filter und hybride Suche
Metadatenfilter begrenzen den Suchraum, etwa auf einen Mandanten oder eine Dokumentversion. Wo und wie das System filtert, beeinflusst die Trefferzahl. pgvector kann bei einem ANN-Scan zunächst Kandidaten ermitteln und danach filtern. Bei selektiven Bedingungen können iterative Scans helfen, weitere Kandidaten zu finden.
Hybride Suche kombiniert Rankings, etwa aus Vektor- und Volltextsuche. Zugriffsregeln bestimmen unabhängig davon, welche Passagen die Anwendung verwenden darf. Für RAG gehört die Prüfung vor die Übergabe an das Sprachmodell.
Betrieb und Auswahl
Vergleiche einen lokalen Prototyp, pgvector oder einen separaten Suchdienst anhand derselben Dokumente und Anfragen. Miss fachliche Relevanz, Übereinstimmung mit der exakten Suche, Antwortzeit bei hoher Last, Schreibrate und Ressourcenbedarf. Plane bei einem abgeleiteten Suchindex außerdem, wie Löschungen und Berechtigungsänderungen übernommen werden und wie ein Neuaufbau aus den Quellen funktioniert.
Schritt für Schritt
So sucht eine Vektordatenbank
Die Datenbank speichert nicht nur Inhalte, sondern vor allem deren Embeddings. Bei einer Anfrage sucht sie nach den Vektoren mit der ähnlichsten Bedeutung.
Dokumente indexieren
Vorbereitung
Dokumente werden in sinnvolle Abschnitte geteilt. Für jeden Abschnitt werden Embedding und Metadaten gespeichert.
Chunk + Embedding + Quelle + MetadatenAnfrage vektorisieren
Query
Die Suchanfrage wird mit demselben Embedding-Modell in einen Vektor umgewandelt.
Frage → Anfrage-VektorÄhnliche Nachbarn finden
Vektorsuche
Eine exakte Suche berechnet die nächsten Nachbarn. Ein ANN-Index grenzt die Kandidaten ein und kann einzelne Nachbarn auslassen.
Anfrage-Vektor → Top-k NachbarnTreffer filtern und ausliefern
Retrieval
Metadaten und Zugriffsrechte bestimmen die zulässigen Treffer. Prüfe, ob der Suchmodus auch bei engen Filtern ausreichend relevante Ergebnisse liefert.
Berechtigungen + Distanz → zulässige Treffer
Konkretes Beispiel
Dokumente für eine RAG-Antwort finden
Ein Team fragt: „Welche Kündigungsfrist gilt für unseren Enterprise-Vertrag?“
Ohne Vektorsuche
Ein System müsste nach festgelegten Stichwörtern suchen oder viele Dokumente vollständig durchsuchen. Unterschiedliche Formulierungen erschweren den Treffer.
Mit Vektorsuche
Die Anfrage findet semantisch nahe Vertragsabschnitte. Ein Berechtigungsfilter lässt nur Dokumente zu, auf die das Team zugreifen darf.
Die Vektordatenbank ist kein Ersatz für die Quelldatenbank. Sie ist ein spezialisierter Suchindex, der Bedeutung schnell auffindbar macht.
Einordnung
Vorteile und Grenzen
Das spricht dafür
- Sie ermöglicht schnelle semantische Suche über sehr viele Dokumentabschnitte.
- Metadaten-Filter lassen sich mit Ähnlichkeitssuche kombinieren.
- Sie bildet eine skalierbare Retrieval-Schicht für RAG und Empfehlungssysteme.
- ANN-Indizes können die Suche beschleunigen. Miss, wie viele exakte Nachbarn dabei verloren gehen.
Das solltest du beachten
- Eine Vektordatenbank ersetzt keine relationale Quelle der Wahrheit für Geschäftsdaten.
- Index, Embedding-Modell und Chunking müssen gemeinsam bewertet und betrieben werden.
- Mehr Vektoren, hohe Dimensionen und Replikation erhöhen Speicher- und Betriebskosten.
- Nur autorisierte Passagen dürfen in den Modellkontext gelangen.
Vertiefung · für FortgeschritteneTechnische Architektur
Die Vektordatenbank sitzt zwischen Wissensbestand und Anwendung: Sie macht Inhalte auffindbar, bleibt aber nicht deren alleinige Quelle.
Ähnlichkeitssuche
Entscheidungshilfe
Vektordatenbank im Vergleich
| SQL-Datenbank | Vektordatenbank | |
|---|---|---|
| Datenmodell | Tabellen mit Zeilen und Spalten, festes Schema | Hochdimensionale Vektoren (Embeddings) + Metadaten |
| Abfrage-Typ | Exakte Abfragen: Filter, Joins, Aggregationen | Ähnlichkeitssuche: 'Was ist semantisch am nächsten?' |
| Ergebnis-Charakter | Treffer nach Abfragebedingungen, Ranking bei Volltext- oder Vektorsuche | Nach Distanz gerankt, je nach System und Modus exakt oder approximativ |
| Index-Struktur | Je nach Abfrage etwa B-Tree, Volltextindex oder Vektorindex mit Erweiterung | Je nach System etwa HNSW oder IVF für approximative Suche |
| Transaktionen / Konsistenz | ACID-Transaktionen, referenzielle Integrität | Garantien und Abfragefunktionen hängen vom System und seiner Konfiguration ab |
