Stellen Sie sich vor, Sie suchen ein Buch in einer Bibliothek, aber anstatt das Dewey-Dezimalsystem zu verwenden, könnten Sie nur nach exakten Keyword-Treffern suchen. Wenn Sie nach "Hund" suchten, würden Sie nie Bücher über "Köter" finden. Das ist die Einschränkung traditioneller Datenbanken (SQL/NoSQL).
"Bedeutung" statt "Zeichenketten" speichern
Vektordatenbanken (wie Pinecone, Weaviate oder pgvector) lösen dieses Problem, indem sie Daten als hochdimensionale Vektoren speichern—im Wesentlichen lange Listen von Zahlen, die die semantische Bedeutung des Inhalts repräsentieren.
Ein bekanntes Beispiel aus der Forschung zu Wort-Embeddings: Der Vektor für "König" minus "Mann" plus "Frau" landet sehr nahe an "Königin". Diese mathematische Nähe hilft KI-Systemen, Kontext, Nuancen und Absicht zu erfassen.
Die RAG-Architektur
Retrieval-Augmented Generation (RAG) ist heute einer der wichtigsten Anwendungsfälle für Vektor-DBs.
- Aufnehmen: Sie teilen Ihr Unternehmenshandbuch in Chunks auf.
- Einbetten: Sie wandeln diese Chunks mit einem Embedding-Modell in Vektoren um.
- Speichern: Sie speichern diese Vektoren in einer Vektordatenbank wie Pinecone.
- Abfragen: Wenn ein Benutzer eine Frage stellt, wandeln Sie seine Frage in einen Vektor um.
- Abrufen: Sie finden die Vektoren, die mathematisch der Frage am nächsten sind.
- Generieren: Sie geben diese Chunks an ein LLM wie Gemini oder ein OpenAI-Modell, um die Antwort zu schreiben.
Wann SQL allein nicht ausreicht
PostgreSQL bietet mit `pgvector` (zum Beispiel in Supabase) inzwischen solide Vektor-Fähigkeiten, und für viele Projekte reicht das völlig aus. Dedizierte Vektordatenbanken punkten vor allem bei großen Datenmengen und speziellen Suchanforderungen:
HNSW-Indexierung
Hierarchical Navigable Small World-Graphen ermöglichen eine sehr schnelle approximative Nächste-Nachbar-Suche, auch über sehr große Vektormengen. (pgvector unterstützt HNSW ebenfalls.)
Hybride Suche
Kombination von semantischer Suche (Vektoren) mit Keyword-Suche (BM25), um die Stärken beider Ansätze zu nutzen.
Welche Lösung passt, hängt von Datenmenge, Budget und bestehender Infrastruktur ab. Zu unserem Stack gehören Pinecone, Weaviate und Supabase mit pgvector. Wenn Sie eine KI-Suche oder einen Wissensassistenten planen, finden Sie mehr dazu unter KI und Machine Learning, oder sprechen Sie mit uns über Ihren Anwendungsfall.
