Eine Vektor-Datenbank ist das Herz jedes RAG-Systems. Sie ermöglicht die Suche in Dokumenten nach Bedeutung, nicht nur nach Wörtern.
So funktioniert es
Ein Embedding-Modell wandelt jeden Textabschnitt in einen Vektor um, zum Beispiel eine Liste aus 1.024 oder 1.536 Zahlen. Die Frage des Nutzers wird auf dieselbe Weise umgewandelt. Anschließend findet die Datenbank die Vektoren, die der Frage am "nächsten" liegen, also die Passagen mit der ähnlichsten Bedeutung.
Die gängigsten Optionen
pgvector (PostgreSQL) Eine Erweiterung für PostgreSQL. Vorteile: eine Datenbank für alle Daten, Transaktionen, Filterung nach Berechtigungen und Metadaten mit einfachem SQL. Unsere Standardwahl.
Qdrant Eine dedizierte Open-Source-Vektor-Datenbank, hervorragend geeignet für große Sammlungen und anspruchsvolle Filterung. Lässt sich auf einem eigenen Server betreiben.
Pinecone Ein vollständig verwalteter Cloud-Dienst. Schneller Einstieg ohne Wartungsaufwand, aber die Daten liegen bei einem Drittanbieter und die Kosten steigen mit dem Volumen.
Weaviate und Chroma Weaviate für komplexere Schemata und hybride Suche, Chroma für Prototypen und kleinere Projekte.
So treffen wir die Wahl
- Bis zu einigen Millionen Chunks, Berechtigungen erforderlich: pgvector.
- Zehner Millionen Vektoren oder sehr anspruchsvolle Suche: Qdrant.
- Schneller Prototyp ohne Infrastruktur: ein Managed Service.
- Strenge Datenschutzanforderungen: eine selbst gehostete Lösung auf Ihrer Infrastruktur.
Hybride Suche
Die besten Ergebnisse entstehen aus der Kombination von Vektorsuche mit klassischer Stichwortsuche und Re-Ranking. Das ist wichtig für Artikelnummern, Produktcodes und Namen, die die Vektorsuche übersehen kann.
Wie viel Speicher Sie benötigen
Schätzen Sie Größe und Kosten mit unserem RAG-Rechner. Bei 2.000 Dokumenten mit je 10 Seiten benötigen die Vektoren in der Regel einige zehn bis hundert Megabyte, was wenig ist.
Planen Sie KI über Ihre Dokumente? Lesen Sie was RAG ist oder sehen Sie sich unseren Service KI-Dokumentenassistent an.
Häufige Fragen
Brauche ich eine eigene Vektor-Datenbank?
Für die meisten Projekte nicht. PostgreSQL mit der pgvector-Erweiterung bewältigt mehrere Millionen Vektoren und hält alle Daten an einem Ort.
Was ist ein Embedding?
Eine Liste von Zahlen, die die Bedeutung eines Textes abbildet. Texte mit ähnlicher Bedeutung haben ähnliche Vektoren und lassen sich daher per Ähnlichkeitssuche finden.
Sagen Sie uns, was Sie bremst
Wir antworten innerhalb eines Werktags. Erstgespräch und Einschätzung sind kostenlos.
Anfrage senden
