Vektordatenbank
Eine Vektordatenbank speichert Inhalte als hochdimensionale Zahlenreihen (Embeddings) und findet Einträge, die inhaltlich ähnlich sind statt nur wörtlich gleich – die technische Basis semantischer Suche und vieler RAG-Systeme.
In der Praxis
Bekannte Vertreter sind die Postgres-Erweiterung pgvector sowie quelloffene Systeme wie Qdrant, Weaviate und Chroma oder verwaltete Dienste wie Pinecone. Klassische Volltextsuche vergleicht Wortlaut, Vektorsuche vergleicht Bedeutung. Eine Suche nach „Rechnung stornieren“ findet so auch Dokumente, die stattdessen von Gutschriften sprechen.
In der Praxis kombinieren viele Systeme beides: Vektorsuche für die Bedeutung, eine wortbasierte Suche wie BM25 für exakte Treffer, etwa Fehlercodes oder Artikelnummern. Die Ergebnislisten werden anschließend zusammengeführt, häufig per Reciprocal Rank Fusion.
Für eine kleine Wissensbasis braucht es nicht zwingend ein eigenes System. Oft reicht eine Erweiterung der vorhandenen Datenbank – oder gar kein Vektorindex, wenn die Inhalte komplett in die Anfrage an das Sprachmodell passen.
In der Praxis kombinieren viele Systeme beides: Vektorsuche für die Bedeutung, eine wortbasierte Suche wie BM25 für exakte Treffer, etwa Fehlercodes oder Artikelnummern. Die Ergebnislisten werden anschließend zusammengeführt, häufig per Reciprocal Rank Fusion.
Für eine kleine Wissensbasis braucht es nicht zwingend ein eigenes System. Oft reicht eine Erweiterung der vorhandenen Datenbank – oder gar kein Vektorindex, wenn die Inhalte komplett in die Anfrage an das Sprachmodell passen.