Eine Vektordatenbank speichert Dokumente zusammen mit ihren Embeddings und beantwortet Abfragen per Nächste-Nachbarn-Suche im Vektorraum. Da eine exakte Nächste-Nachbarn-Suche bei großen Datenmengen teuer ist, setzen diese Systeme auf approximative Verfahren wie den HNSW-Graphindex von Malkov & Yashunin (2018) und GPU-beschleunigte Suchbibliotheken wie FAISS (Johnson et al., 2017).
Das Ergebnis ist semantisches Retrieval in Sekundenbruchteilen über Millionen von Textpassagen – die Speicherebene, die Retrieval-Augmented Generation erst praktikabel macht.
Wofür wird eine Vektordatenbank verwendet?
Eine herkömmliche Datenbank findet Zeilen, die exakt einem Wert entsprechen; eine Vektordatenbank findet Einträge, die sich inhaltlich nahestehen. Eine Suche nach „Wie setze ich mein Passwort zurück?“ kann einen Hilfeartikel mit dem Titel „Kontozugriff wiederherstellen“ liefern, obwohl beide kaum ein Wort gemeinsam haben. Deshalb bilden Vektordatenbanken das Rückgrat von:
- Semantischer Suche in Hilfecentern, Wikis und Dokumentarchiven
- RAG-Chatbots, die auf Basis privater Dokumente antworten
- Empfehlungen – „mehr davon“ für Produkte, Artikel oder Songs
- Erkennung von Duplikaten und Beinahe-Duplikaten
- Ähnlichkeitssuche für Bilder und Audio
So funktioniert eine Vektordatenbank
- 1Einbetten und speichern. Jeder Eintrag wird von einem Embedding-Modell in ein Embedding umgewandelt und zusammen mit seinem ursprünglichen Inhalt und seinen Metadaten gespeichert.
- 2Indexieren. Die Vektoren werden in einem approximativen Index wie HNSW organisiert, der ein wenig Genauigkeit gegen deutliche Geschwindigkeitsgewinne eintauscht.
- 3Abfragen. Die Abfrage wird mit demselben Modell eingebettet, und die Datenbank findet die nächstgelegenen Vektoren anhand eines Ähnlichkeitsmaßes wie der Kosinus-Ähnlichkeit.
- 4Filtern und zurückgeben. Die meisten Systeme kombinieren die Ähnlichkeitssuche mit Metadatenfiltern (Datum, Autor, Berechtigungen) und geben die besten Treffer zurück, die oft an einen Reranker weitergereicht werden.
Vektordatenbank vs. herkömmliche Datenbank
| Herkömmliche Datenbank | Vektordatenbank | |
|---|---|---|
| Abgleich nach | Exakten Werten und Schlüsselwörtern | Inhaltlicher Nähe |
| Abfrage | SQL- oder Schlüsselabfragen | Ein Embedding der Frage |
| Index | B-Baum oder invertierter Index | Index für die approximative Nächste-Nachbarn-Suche (z. B. HNSW) |
| Ergebnis | Jede passende Zeile | Die Top-k der ähnlichsten Einträge, nach Rang sortiert |
Die Auswahl reicht von spezialisierten Vektordatenbanken wie Pinecone, Weaviate, Milvus, Qdrant und Chroma bis zu Vektorsuch-Erweiterungen für bestehende Datenbanken, etwa pgvector für PostgreSQL. Für viele Teams ist es einfacher, einer bereits betriebenen Datenbank eine Vektorsuche hinzuzufügen, als ein separates System zu betreiben.