Vektordatenbank
Datenbank, die für die schnelle Suche nach ähnlichen Inhalten optimiert ist.
Erklärung
Eine Vektordatenbank speichert Embeddings und ermöglicht extrem schnelle Ähnlichkeitssuchen. Sie ist das zentrale Speichersystem für RAG-Anwendungen und semantische Suche.
So funktioniert's
Texte werden als Embedding-Vektoren gespeichert. Bei einer Suchanfrage berechnet die Datenbank, welche gespeicherten Vektoren der Anfrage am ähnlichsten sind – in Millisekunden.
Praxisbeispiel
Pinecone, Weaviate oder Qdrant als Vektordatenbank für einen Unternehmens-Chatbot, der tausende interne Dokumente durchsuchen kann.
Warum es wichtig ist
Vektorsuche ist die Infrastruktur hinter fast jeder KI, die mit eigenen Unternehmensdaten arbeitet. Ohne sie findet ein RAG-System die passenden Dokumente nicht.
Was ist eine Vektordatenbank?
Eine Vektordatenbank ist ein Datenbanksystem, das Embeddings speichert und nach Ähnlichkeit durchsucht. Eine klassische Datenbank beantwortet Fragen wie „Welche Rechnungen sind älter als 30 Tage?“ über exakte Bedingungen. Eine Vektordatenbank beantwortet die Frage „Welche Textabschnitte passen inhaltlich am besten zu dieser Anfrage?“.
Damit das bei Millionen Einträgen schnell geht, nutzen Vektordatenbanken spezielle Indizes für die sogenannte Approximate Nearest Neighbor Search, verbreitet ist etwa HNSW. Sie finden nicht garantiert den mathematisch besten Treffer, aber in Millisekunden sehr gute Kandidaten. Neben dem Vektor speichern sie Metadaten wie Quelle, Datum oder Berechtigungen, nach denen sich zusätzlich filtern lässt.
Welche Vektordatenbank passt? pgvector, Qdrant, Weaviate und Co.
Für viele mittelständische Projekte reicht eine Erweiterung der bestehenden Datenbank: pgvector macht PostgreSQL zur Vektordatenbank, ohne zusätzliche Infrastruktur. Eigenständige Systeme wie Qdrant, Weaviate oder Milvus lohnen sich bei sehr großen Datenmengen, hoher Last oder speziellen Suchfunktionen. Alle drei sind Open Source und lassen sich selbst betreiben. Pinecone ist ein reiner Cloud-Dienst.
Wichtiger als das Produkt sind in der Praxis drei Fragen: Werden Zugriffsrechte aus den Quellsystemen übernommen, sodass niemand über die Suche Dokumente sieht, die er nicht sehen darf? Wird eine hybride Suche aus Vektor- und Stichwortsuche unterstützt? Und wie bleibt der Index aktuell, wenn sich Dokumente ändern?
Häufige Fragen
Brauche ich für RAG zwingend eine eigene Vektordatenbank?
Nicht zwingend. Bei kleineren Wissensbeständen reicht oft PostgreSQL mit pgvector oder die Vektorsuche einer vorhandenen Suchlösung. Eine separate Vektordatenbank wird bei großen Datenmengen oder hohen Anforderungen an Geschwindigkeit sinnvoll.
Was ist der Unterschied zwischen Vektordatenbank und klassischer Datenbank?
Eine klassische Datenbank sucht nach exakten Werten und Bedingungen. Eine Vektordatenbank sucht nach inhaltlicher Ähnlichkeit, indem sie die Abstände zwischen Embeddings vergleicht.
Kann eine Vektordatenbank on-premise laufen?
Ja. pgvector, Qdrant, Weaviate und Milvus lassen sich im eigenen Rechenzentrum oder in einer EU-Cloud betreiben. Das ist oft die Voraussetzung, um sensible Dokumente überhaupt für eine KI-Suche zu nutzen.