Zum Inhalt springen

Agenten und Wissen

Vektordatenbank

Eine Vektordatenbank speichert Inhalte als Zahlenvektoren (Embeddings) und findet zu einer Anfrage die Einträge, deren Vektoren dem Anfragevektor am nächsten liegen; so lassen sich Texte nach inhaltlicher Ähnlichkeit statt nach exakten Wörtern durchsuchen.

Auch: Vector Database, Vektorspeicher, Vector Store, Vektorindex

Eine gewöhnliche Datenbank beantwortet Fragen wie „alle Aufträge von Kunde 4711“ oder „alle Artikel mit dem Wort Dichtung im Namen“. Sie vergleicht Werte und Zeichenketten. Für die Frage „Welche Abschnitte unserer Handbücher handeln davon, wie man eine undichte Pumpe abdichtet?“ ist sie ungeeignet, weil die passende Stelle vielleicht „Leckage am Gleitringdichtungssitz beheben“ heißt und kein einziges Wort mit der Frage teilt.

Eine Vektordatenbank löst das über einen Umweg. Jeder Text wird vorher von einem Modell in ein Embedding übersetzt, eine lange Liste von Zahlen, die seine Bedeutung abbildet. Texte mit ähnlicher Bedeutung bekommen ähnliche Zahlenlisten. Microsoft erklärt das in seiner Dokumentation an den englischen Wörtern „dog“ und „canine“: sprachlich verschieden, inhaltlich nah. Microsoft nennt auch „dog“ und das deutsche „Hund“ als Beispiel dafür, dass sich so über Sprachgrenzen hinweg suchen lässt. Die Datenbank speichert diese Vektoren und kann sehr schnell die finden, die einem gegebenen Vektor am nächsten liegen.

Was in einer Vektordatenbank liegt

Zu jedem Eintrag gehören in der Regel drei Dinge: der Vektor selbst, der ursprüngliche Text oder ein Verweis darauf und Metadaten wie Dokumentname, Seite, Datum, Abteilung oder Zugriffsrechte. Der Vektor dient nur der Suche. Angezeigt und an ein Sprachmodell weitergegeben wird der Text, und die Metadaten erlauben es, die Suche einzugrenzen, etwa auf aktuelle Dokumente oder auf solche, die der fragende Nutzer sehen darf.

Wie „nah“ zwei Vektoren sind, wird mathematisch bestimmt. Üblich sind der Kosinus-Abstand, das Skalarprodukt und der euklidische Abstand. Die Erweiterung pgvector für PostgreSQL unterstützt diese und weitere. Welches Maß passt, hängt vom verwendeten Embedding-Modell ab und steht meist in dessen Dokumentation.

Warum die Suche ungefähr ist, und warum das in Ordnung ist

Die genaue Methode wäre, den Anfragevektor mit jedem gespeicherten Vektor zu vergleichen. Das liefert garantiert die besten Treffer, wird aber bei Millionen von Einträgen langsam. Vektordatenbanken nutzen deshalb meist Verfahren der näherungsweisen Nachbarsuche (Approximate Nearest Neighbor, ANN). Sie durchsuchen nur einen Teil der Daten, den sie über eine geschickte Indexstruktur auswählen.

Das verbreitetste Verfahren heißt HNSW (Hierarchical Navigable Small World). Malkov und Yashunin haben es 2016 beschrieben: Die Vektoren werden in einem mehrschichtigen Graphen verknüpft, ähnlich einem Straßennetz aus Autobahnen, Landstraßen und Ortsstraßen. Die Suche springt auf der obersten Ebene grob in die richtige Gegend und verfeinert dann Ebene für Ebene. Die pgvector-Dokumentation beschreibt den Preis: HNSW braucht länger zum Aufbau und mehr Arbeitsspeicher als das einfachere Verfahren IVFFlat, liefert dafür ein besseres Verhältnis von Geschwindigkeit zu Trefferquote.

Der Kompromiss steckt im Wort „ungefähr“. Ein näherungsweiser Index findet nicht immer alle besten Treffer. Die pgvector-Dokumentation sagt das offen: Nach dem Anlegen eines solchen Index können Abfragen andere Ergebnisse liefern als vorher. Für die meisten Anwendungen ist das unproblematisch, weil ein knapp verfehlter Treffer einem sehr ähnlichen Abschnitt weicht. Douze und Kollegen beschreiben in ihrem Paper zur Bibliothek Faiss ausführlich, wie Genauigkeit, Geschwindigkeit und Speicherbedarf gegeneinander abgewogen werden.

Typische Stolpersteine im Betrieb

Ein Modellwechsel heißt alles neu berechnen. Anfrage und Dokumente müssen mit demselben Embedding-Modell übersetzt sein. Wer das Modell wechselt, muss den gesamten Bestand neu einlesen; warum, erklärt der Eintrag zum Embedding.

Filter und Näherung vertragen sich nicht immer. Wenn eine Suche gleichzeitig nach Ähnlichkeit und nach Metadaten filtert, etwa „nur Dokumente der Abteilung Vertrieb“, kommt es auf die Reihenfolge an. Die pgvector-Dokumentation weist darauf hin, dass bei näherungsweisen Indizes der Filter erst nach dem Durchsuchen des Index angewendet wird. Dann können weniger Treffer übrig bleiben als gewünscht. Für Zugriffsrechte ist das besonders heikel und muss bewusst gelöst werden.

Ähnlich heißt nicht relevant. Eine Vektordatenbank findet, was dem Anfragetext ähnelt. Bei Artikelnummern, Namen oder Normbezeichnungen ist das oft schlechter als eine klassische Stichwortsuche. Deshalb kombinieren viele Systeme beides zu einer hybriden Suche, mehr dazu unter semantische Suche.

Die Qualität entsteht vor der Datenbank. Wie gut die Treffer sind, hängt weit mehr davon ab, wie die Texte zerlegt wurden (Chunking) und welches Embedding-Modell sie übersetzt hat, als von der Datenbank selbst.

Braucht man eine eigene Vektordatenbank?

Oft nicht. Es gibt spezialisierte Produkte, die nur Vektoren verwalten. Viele vorhandene Systeme können Vektoren aber inzwischen selbst speichern und durchsuchen. PostgreSQL kann es mit der Erweiterung pgvector, die laut eigener Beschreibung die Vektorsuche mit den üblichen Eigenschaften einer relationalen Datenbank wie Transaktionen und Wiederherstellung verbindet. Suchdienste wie Azure AI Search bieten Vektorfelder neben dem klassischen Volltextindex an.

Für ein Unternehmen mit einigen tausend bis zehntausend Dokumenten spricht viel dafür, mit der Datenbank zu beginnen, die ohnehin betrieben wird. Das spart einen weiteren Dienst, der gesichert, aktualisiert und überwacht werden muss. Eine spezialisierte Lösung lohnt sich eher bei sehr großen Beständen oder sehr hohen Anfragezahlen.

Unabhängig von der Technik gilt: Eine Vektordatenbank enthält in aller Regel auch die Originaltexte. Für Datenschutz, Löschpflichten und die Frage, wo die Daten liegen, ist sie deshalb wie jeder andere Datenspeicher zu behandeln. Wer Wert auf Datensouveränität legt, sollte bei Cloud-Diensten prüfen, in welcher Region Index und Texte gespeichert werden. In einer Architektur nach dem Muster Retrieval Augmented Generation ist die Vektordatenbank das Gedächtnis, aus dem das Sprachmodell seine Fakten bekommt. Sie verdient dieselbe Sorgfalt wie das ERP.

Quellen

  1. Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs, Malkov und Yashunin, arXiv, 2016
  2. The Faiss library, Douze et al., arXiv, 2024
  3. pgvector: Open-source vector similarity search for Postgres, pgvector-Projekt, GitHub
  4. Vector search overview, Microsoft Learn

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.