Vektordatenbank
Zuletzt aktualisiert:
Was eine Vektordatenbank ist
Eine Vektordatenbank speichert Daten als Vektoren: lange Zahlenreihen, die ein Embedding-Modell erzeugt. Texte mit ähnlicher Bedeutung erhalten Vektoren, die nah beieinander liegen. Die Datenbank beantwortet deshalb die Frage „Welche gespeicherten Passagen sind diesem Text inhaltlich am nächsten?“ und nicht „Welche Zeilen enthalten genau dieses Wort?“.
Der Begriff umfasst spezialisierte Produkte, die nur für Vektoren gebaut sind, ebenso wie klassische Datenbanken, die Vektorspalten und Vektorindizes nachgerüstet haben. Gemeinsam ist ihnen, dass sie Ähnlichkeitssuchen über große Datenmengen ausführen können.
So funktioniert es
Beim Hinzufügen von Inhalten wird jedes Textstück in ein Embedding umgewandelt und zusammen mit dem Originaltext und Metadaten wie Quelle, Titel oder Datum gespeichert. Bei einer Anfrage wird die Frage mit demselben Modell eingebettet, und die Datenbank liefert die nächstgelegenen Vektoren nach einem Abstandsmaß wie der Kosinus-Ähnlichkeit.
Jede Anfrage mit allen gespeicherten Vektoren zu vergleichen, ist exakt, aber bei großen Datenmengen langsam. Die meisten Vektordatenbanken bauen deshalb einen Index für die ungefähre Nächste-Nachbarn-Suche (ANN). Er tauscht ein wenig Genauigkeit gegen deutlich schnellere Abfragen.
- Speichern: Text, Embedding und Metadaten werden gemeinsam abgelegt.
- Indexieren: Ein ANN-Index ordnet die Vektoren so, dass nahe Nachbarn schnell gefunden werden.
- Abfragen: Die Frage wird eingebettet, die ähnlichsten Vektoren werden zurückgegeben.
- Filtern: Metadatenfilter, etwa nur die Daten eines bestimmten Kunden, grenzen die Treffer ein.
Ein Beispiel
Ein Fahrradladen hat einige hundert Hilfeartikel. Eine Besucherin fragt: „Kann ich mein E-Bike zurückbringen, wenn ich es mir anders überlege?“ Kein Artikel enthält genau diese Wörter, aber die Rückgaberichtlinie spricht von „Erstattung nach dem Kauf“. Weil beide Texte von der Rückgabe eines Produkts handeln, liegen ihre Embeddings nah beieinander, und die Vektordatenbank liefert die Rückgaberichtlinie als besten Treffer. Der Chatbot antwortet dann auf Basis dieser Seite.
Warum das für Business-Chatbots wichtig ist
Die Vektordatenbank ist die Suchschicht der meisten Systeme mit Retrieval-Augmented Generation (RAG). Sie entscheidet, welche Passagen das Sprachmodell vor der Antwort sieht, und prägt damit direkt die Qualität der Antworten. Wird die richtige Passage nicht gefunden, kann das Modell sie auch nicht nutzen.
Reine Vektorsuche hat eine bekannte Schwäche: Exakte Bezeichnungen wie Artikelnummern, Modellnamen oder seltene Eigennamen werden über die Bedeutung nicht immer zuverlässig gefunden. Viele Chatbot-Systeme kombinieren deshalb Vektorsuche und Stichwortsuche zu einer hybriden Suche.
So geht intoCHAT damit um
Mit intoCHAT musst du keine Vektordatenbank einrichten oder betreiben. Wenn du eine Website, eine Datei, einen Textbaustein oder ein Q&A-Paar hinzufügst, teilt intoCHAT den Inhalt in Abschnitte, erzeugt für jeden Abschnitt ein Embedding und speichert und indexiert alles für dich. Stellt ein Besucher eine Frage, führt intoCHAT eine Vektorsuche und eine Stichwortsuche aus und führt beide Rankings zusammen, bevor der Agent antwortet.