Kurz gesagt
Eine Vektordatenbank ist eine Datenbank, die dafür gebaut ist, Embeddings zu speichern - die numerischen Vektoren, die die Bedeutung von Text, Bildern oder Code darstellen - und in Millisekunden die zu finden, die einem Anfrage-Vektor am ähnlichsten sind. Eine normale Datenbank ist stark bei exakten Treffern ("finde die Zeile mit id = 42"), kann aber nicht beantworten: "finde die Passagen, die ungefähr dasselbe bedeuten wie diese Frage". Eine Vektordatenbank kann das, weil sie nach Abstand im Bedeutungsraum indexiert statt nach exakten Werten. Genau diese Fähigkeit - schnelle Nächste-Nachbarn-Suche über Embeddings - treibt RAG, semantische Suche und Empfehlungen im grossen Massstab an.
Was sie tatsächlich tut
Du bettest deinen Inhalt in Vektoren ein und speicherst sie. Zur Anfragezeit bettest du die eingehende Frage ein und fragst die Datenbank nach den k nächsten Vektoren. Sie liefert sie fast sofort zurück, selbst über Millionen von Einträgen, mithilfe eines approximativen Nächste-Nachbarn-Index. Die Treffer sind die Passagen, Produkte oder Datensätze, die dem Gefragten in der Bedeutung am nächsten sind.
- Speichern: jedes Embedding zusammen mit dem Originaltext und Metadaten ablegen.
- Indexieren: einen approximativen Nächste-Nachbarn-Index bauen, damit die Suche im grossen Massstab schnell bleibt.
- Abfragen: die Frage einbetten, die k nächsten Vektoren holen und ihren Quelltext zurückgeben.
Vektordatenbank vs normale Datenbank
Eine relationale oder Dokument-Datenbank trifft auf exakte Felder und Stichworte. Eine Vektordatenbank trifft auf semantische Ähnlichkeit, sodass eine ganz anders formulierte Anfrage den gespeicherten Text trotzdem findet. Sie sind Ergänzungen, keine Rivalen: viele Systeme filtern per Metadaten in einer normalen Abfrage und sortieren per Vektor-Ähnlichkeit, und mehrere klassische Datenbanken bieten inzwischen Vektor-Indizes, sodass du beides an einem Ort hast.
Wann du eine brauchst
Du brauchst eine Vektordatenbank, sobald RAG oder semantische Suche über Spielzeuggrösse hinauswächst. Für ein paar hundert Einträge kannst du Vektoren im Speicher vergleichen; darüber hinaus hält ein dedizierter Vektor-Index die Suche schnell und günstig. Sie ist die Speicherschicht, die einem Agenten erlaubt, über deine privaten Dokumente zu argumentieren, einem Support-Bot, aus deinem Help-Center zu antworten, und einer Suche, Ergebnisse nach Bedeutung statt nach exakten Worten zu liefern.