Vektordatenbank

Kurz erklärt

Eine Vektordatenbank speichert und durchsucht mathematische Repräsentationen wie Embeddings. Sie kann schnell diejenigen Einträge finden, deren Vektoren einer Anfrage besonders ähnlich sind.

Was ist eine Vektordatenbank?

Ein Vektor ist hier eine Liste von Zahlen. Ein Embedding-Modell erzeugt solche Vektoren aus Texten, Bildern oder anderen Inhalten. Die Datenbank speichert sie zusammen mit dem Originalinhalt und Metadaten.

Im Unterschied zu einer klassischen Stichwortsuche wird nicht nur nach identischen Zeichenfolgen gesucht. Die Datenbank vergleicht Positionen im Vektorraum und liefert nahe Einträge.

Wie funktioniert das?

Anfrage → Embedding
              ↓
      Ähnlichkeitssuche
              ↓
passende Vektoren + zugehörige Inhalte

Spezialisierte Indexverfahren beschleunigen die Suche in großen Beständen. Filter auf Metadaten können beispielsweise Abteilung, Dokumenttyp, Gültigkeitsdatum oder Berechtigungsgruppe berücksichtigen.

Konkretes Beispiel

Für jeden Abschnitt einer internen Knowledge Base wird ein Embedding gespeichert. Bei der Frage „Wo finde ich die Regel zur Nutzung des Probenraums?“ sucht die Datenbank ähnliche Abschnitte und liefert die wahrscheinlich relevantesten Texte an das RAG-System.

Warum ist das wichtig?

Eine Vektordatenbank ist ein Infrastrukturbaustein, keine fertige Wissenslösung. Gute Ergebnisse erfordern geeignete Embeddings, sinnvolles Chunking, Metadaten, Zugriffsregeln und Tests. Manche Datenbanksysteme bieten Vektorsuche als Zusatzfunktion; nicht jedes Projekt benötigt ein eigenständiges Produkt.

Typisches Missverständnis

Missverständnis: Die Vektordatenbank beantwortet selbst Fragen.

Sie findet ähnliche Einträge. Ein Sprachmodell oder eine andere Anwendung verarbeitet die gefundenen Inhalte anschließend weiter.

Merksatz

Eine Vektordatenbank findet rechnerisch ähnliche Inhalte; sie versteht oder formuliert die Antwort nicht automatisch selbst.