Eine Vektor-Datenbank speichert Text, Bilder oder andere Daten als hochdimensionale Embeddings und retrievt die ähnlichsten Items per mathematischer Distanz. Sie ist das Substrat unter Retrieval-Augmented Generation, semantischer Suche und Recommendation-Systemen: der Teil eines KI-Stacks, der dem Modell erlaubt, relevanten Kontext ohne Keyword-Matching zu finden.
Was eine Vektor-Datenbank speichert.
Jede Zeile ist ein Embedding (typischerweise ein 384-, 768- oder 1536-dimensionaler Float-Vektor) plus der Original-Text und eine Handvoll Metadaten-Felder. Anfragen werden ebenfalls embeddet, dann gibt die Datenbank die top-K Zeilen zurück, die per Cosinus-Ähnlichkeit oder Dot-Product im Vektor-Raum am nächsten sind.
Wann eine Vektor-Datenbank einsetzen.
- Retrieval für RAG. Ein LLM in Ihren eigenen Dokumenten, Policies, Transkripten oder Produkt-Specs erden.
- Semantische Suche. Such-Interfaces, wo Keyword-Match allein offensichtliche Antworten verfehlt («wie kündige ich» sollte «Kündigungs-Policy» matchen).
- De-Duplizierung und Clustering. Near-Duplicate- Records finden, ähnliche Leads, ähnliche Tickets.
- Recommendation. «Items ähnlich zu diesem» ohne eine explizite Taxonomie zu bauen.
Was eine Vektor-Datenbank nicht ist.
Sie ersetzt keine relationale Datenbank. Sie ist nicht der Ort, wo Sie Ihre Kundendaten, Transaktions-Historie oder Source-of-Truth ablegen. Vektor-Datenbanken leben neben Postgres, MySQL oder was das System-of-Record schon ist, und sie speichern aus diesen Daten abgeleitete Embeddings.
«Postgres ist die Source-of-Truth. Der Vektor-Store ist der Index für Similarity.»
Morvion-Defaults.
Für die meisten Engagements nutzt Morvion pgvector, die Postgres-Extension, die Vektor-Spalten und Similarity-Operatoren hinzufügt. Sie hält alles in einer Datenbank, vereinfacht Backup und Zugriffskontrolle und skaliert komfortabel auf Millionen Embeddings. Dedizierte Vektor-Services (Pinecone, Qdrant, Weaviate) verdienen ihre Komplexität bei der Zehn-Millionen-Vektoren-Schwelle, nicht davor.
Häufige Fragen
- Was ist eine Vektor-Datenbank?
- Eine Vektor-Datenbank speichert Text und andere Daten als hochdimensionale Embeddings und retrievt die ähnlichsten Items per mathematischer Distanz. Sie ist das Substrat unter RAG, semantischer Suche und Recommendation-Systemen.
- Brauche ich eine Vektor-Datenbank, um KI zu nutzen?
- Nein. Sie brauchen eine nur, wenn Ihr KI-Workflow aus einem grossen Korpus eigener Daten retrieven muss. Direkte Prompts an ein LLM, Function-Calling und gut gescopte agentische Workflows können alle ganz ohne Retrieval funktionieren.
- Welche Vektor-Datenbank nutzt Morvion standardmässig?
- pgvector, die Postgres-Extension, die Vektor-Spalten und Similarity-Operatoren hinzufügt. Sie hält alles in einer Datenbank, vereinfacht Backup und Zugriffskontrolle und skaliert auf Millionen Embeddings. Dedizierte Services (Pinecone, Qdrant, Weaviate) lohnen ihre Komplexität erst ab etwa zehn Millionen Vektoren (unser Startwert).
- Wie fügt sich eine Vektor-Datenbank in eine RAG-Pipeline ein?
- Sie ist der Retrieval-Store. Dokumente werden gechunkt, embeddet und in die Vektor-Datenbank eingefügt. Zur Query-Zeit wird die Nutzerfrage embeddet und die top-K ähnlichsten Chunks werden retrievt und ans LLM als Kontext übergeben. Reranking, Metadaten-Filtering und hybride Suche mit einem Keyword-Index sitzen auf diesem Basis-Flow.
Englische Fassung: Vektor-Datenbank im englischen Glossar.