---
title: "Cos'è un database vettoriale?"
description: "Un database vettoriale archivia embedding e trova quelli il cui significato è più vicino a una query. È così che il RAG e la ricerca semantica riportano in fretta un testo pertinente."
type: "glossary"
locale: "it"
term: "Database vettoriale"
canonical: "https://agenticschool.dev/it/glossario/vector-database"
dateModified: "2026-07-07"
---

# Cos'è un database vettoriale?

- Definition: Database vettoriale
- Updated: 2026-07-07
- Keywords: vector database, what is a vector database, vector db, vector store, vector database for rag
- Canonical URL: https://agenticschool.dev/it/glossario/vector-database
- Locale: it

> Un database vettoriale archivia embedding e trova quelli il cui significato è più vicino a una query. È così che il RAG e la ricerca semantica riportano in fretta un testo pertinente.

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.

## FAQ

### Cos'è un database vettoriale spiegato semplicemente?

Un database vettoriale archivia embedding - elenchi di numeri che catturano il significato - e trova in fretta quelli più vicini a una query. Risponde a "cosa è più simile per significato?" invece di "cosa corrisponde esattamente a questo valore?", esattamente ciò di cui la ricerca semantica e il RAG hanno bisogno.

### In cosa differisce da un database normale?

Un database normale accosta valori esatti e parole chiave; un database vettoriale accosta la similarità semantica tra embedding. L'uno trova "id = 42", l'altro "passaggi che vogliono dire più o meno questo". Molti sistemi reali combinano i due: filtro per metadati più classifica vettoriale.

### Mi serve sempre un database vettoriale per il RAG?

Non per un corpus piccolissimo - qualche centinaio di vettori si confronta in memoria. A partire da migliaia o milioni di sezioni, un database vettoriale tiene la ricerca dei vicini più prossimi rapida e sostenibile, per questo è standard nei sistemi RAG di produzione.

### Cosa archiviano i database vettoriali oltre al vettore?

Accanto a ogni embedding, tengono il testo d'origine o un riferimento a esso, più metadati come la fonte, l'autore, i permessi o il timestamp. Questi metadati ti lasciano filtrare i risultati e applicare regole d'accesso, così la ricerca resti pertinente e sicura.