Begriff
Vektor-Datenbank
Eine Vektor-Datenbank speichert Embeddings als hochdimensionale Vektoren und sucht darin nach semantischer Ähnlichkeit — die Kerninfrastruktur für RAG, semantische Suche und Empfehlungssysteme.
Vektor-Datenbank — ausführlicher erklärt
Statt Datensätze über exakte Keys oder Volltext-Indizes zu finden, vergleicht eine Vektor-Datenbank Punkte im Vektorraum: zwei Embeddings sind „ähnlich”, wenn ihr Abstand (z. B. Kosinus-Ähnlichkeit, euklidisch, Dot-Product) klein ist. Damit das bei Millionen Vektoren in Millisekunden funktioniert, kommen ANN-Indizes zum Einsatz — Approximate Nearest Neighbor, meist HNSW oder IVF —, die nicht jeden Vektor mit jedem vergleichen, sondern eine geschickte Suchstruktur aufbauen.
Beispiel / Praxisbezug
In einem RAG-Chatbot werden Dokumente zerlegt (Chunking), in Embeddings überführt und in der Vektor-Datenbank abgelegt. Bei jeder Frage wird die Frage selbst eingebettet, die Top-k ähnlichsten Chunks werden zurückgeliefert und dem LLM als Kontext mitgegeben. Bekannte Vertreter sind Pinecone, Qdrant, Weaviate, Milvus sowie pgvector als PostgreSQL-Erweiterung.
Abgrenzung zu ähnlichen Begriffen
Eine Vektor-Datenbank ist keine relationale Datenbank — JOINs und Transaktionen stehen nicht im Mittelpunkt, sondern Ähnlichkeitssuche. Volltext-Engines wie Elasticsearch suchen nach Tokens und Treffern; Vektor-Suche findet auch Begriffe, die im Text gar nicht vorkommen, wenn die Bedeutung ähnlich ist. Hybrid-Search kombiniert beide Welten.
Entdecke mehr
KI-Workflows per Keyword: Wie wir wiederkehrende Abläufe erzwingbar machen
Ein getipptes Keyword löst bei uns einen festen KI-Ablauf aus — und jeder Schritt muss committet werden, bevor der nächste kommt. Warum das der Trick ist.
GlossarS-RAG
S-RAG (Search-optimized RAG) ist boostN.ais Variante von Retrieval-Augmented Generation, die klassisches RAG um Suchmaschinen-Prinzipien erweitert: Relevanz-Ranking, Decay nach Aktualität und getypte Verlinkung zwischen Chunks für deterministisches Nachladen.
LexikonRAG-Tuning und Balancing — Embeddings, Gewichte, Decay und MCP für Fortgeschrittene
Wie man Retrieval gezielt steuert: Embedding-Wahl, Hybrid-Gewichte, Reranker-Cascade, Time-Decay, Authority-Boost, MMR und MCP als Retrieval-Tool.