In breve
Un database vettoriale è un database progettato per archiviare embedding - i vettori numerici che rappresentano il significato di testo, immagini o codice - e trovare in millisecondi quelli più simili a un vettore di query. Un database normale è forte per le corrispondenze esatte ("trova la riga dove id = 42"), ma non può rispondere: "trova i passaggi che vogliono dire più o meno la stessa cosa di questa domanda". Un database vettoriale può, perché indicizza per distanza nello spazio di significato invece che per valori esatti. È esattamente questa capacità - una ricerca rapida dei vicini più prossimi su embedding - che alimenta il RAG, la ricerca semantica e le raccomandazioni su larga scala.
Cosa fa davvero
Fai l'embedding del tuo contenuto in vettori e li archivi. Al momento della query, fai l'embedding della domanda in arrivo e chiedi al database i k vettori più vicini. Li restituisce quasi istantaneamente, anche su milioni di voci, con l'aiuto di un indice approssimato dei vicini più prossimi. I hit sono i passaggi, prodotti o record il cui significato è più vicino a ciò che è richiesto.
- Archiviare: riporre ogni embedding con il testo d'origine e dei metadati.
- Indicizzare: costruire un indice approssimato dei vicini più prossimi perché la ricerca resti rapida su larga scala.
- Interrogare: fare l'embedding della domanda, riportare i k vettori più vicini e restituire il loro testo sorgente.
Database vettoriale vs database normale
Un database relazionale o documentale accosta campi esatti e parole chiave. Un database vettoriale accosta la similarità semantica, così una query formulata in tutt'altro modo trovi comunque il testo archiviato. Sono complementari, non rivali: molti sistemi filtrano per metadati in una query normale e ordinano per similarità vettoriale, e diversi database classici offrono ormai indici vettoriali, così tu abbia entrambi nello stesso posto.
Quando ne hai bisogno
Hai bisogno di un database vettoriale non appena il RAG o la ricerca semantica supera la dimensione giocattolo. Per qualche centinaio di voci, puoi confrontare i vettori in memoria; oltre, un indice vettoriale dedicato tiene la ricerca rapida ed economica. È lo strato di archiviazione che permette a un agente di ragionare sui tuoi documenti privati, a un bot di supporto di rispondere dal tuo centro assistenza e a una ricerca di restituire risultati per significato invece che per parole esatte.