---
title: "Was ist eine Vektordatenbank und wie funktioniert sie?"
description: "Eine Vektordatenbank speichert Embeddings und findet per ANN-Index wie HNSW die ähnlichsten. Funktionsweise, Indextypen, Filter, Kosten und wann sie sich lohnt."
url: https://proxynet.io/de/blog/what-is-a-vector-database
date: 2026-11-19
author: "Acar Diveroli"
category: "KI"
lang: de
---

# Was ist eine Vektordatenbank und wie funktioniert sie?

Ein Supportteam verwandelt 100.000 Antworten aus dem Helpdesk in Embeddings und baut eine Schaltfläche „ähnliche Tickets finden“. Der Prototyp vergleicht jedes neue Ticket mit jedem gespeicherten Vektor, und die Antwort kommt scheinbar sofort. Dann wächst das Archiv auf 20 Millionen Passagen, jede Suche liest alle 20 Millionen Vektoren, und die Schaltfläche wird mit jedem Import langsamer. Die Lücke zwischen „mit allem vergleichen“ und „die nächsten paar in Millisekunden finden“ zu schließen, ist die Aufgabe einer Vektordatenbank.

Dieser Beitrag erklärt, was eine Vektordatenbank speichert, wie eine Suche abläuft, welche Ähnlichkeitsmaße und Indextypen sie nutzt (HNSW, IVF und Product Quantization in einfachen Worten), wie Filter und hybride Suche hineinpassen, wann eine Erweiterung in Ihrer bestehenden Datenbank genügt und was das an Speicher kostet.

> **Hinweis: Kurzantwort**
>
> Eine Vektordatenbank speichert Embeddings, also Zahlenlisten, die die Bedeutung von Texten, Bildern oder anderen Daten abbilden, mit einer ID und Metadaten für jedes Element, und findet die gespeicherten Vektoren, die einem Anfragevektor am ähnlichsten sind. Die Anfrage mit jedem Vektor zu vergleichen ist exakt, wird aber mit wachsender Sammlung langsamer. Deshalb bauen Vektordatenbanken Indizes für die approximative Nächste-Nachbarn-Suche (ANN), etwa HNSW-Graphen oder IVF-Cluster, die nur einen kleinen Teil der Daten prüfen und fast dieselben vorderen Treffer viel schneller liefern. Sie stecken hinter semantischer Suche, RAG-Chatbots, Empfehlungen und Duplikaterkennung; bei einigen Hunderttausend Vektoren reicht oft eine Vektorerweiterung in einer Datenbank, die Sie ohnehin betreiben.

## Was ist eine Vektordatenbank?

Eine Vektordatenbank ist eine Datenbank, die dafür gebaut ist, Vektoren zu speichern und eine bestimmte Frage schnell zu beantworten: Welche gespeicherten Elemente liegen diesem am nächsten? Eine relationale Datenbank beantwortet „welche Zeilen erfüllen diese Bedingung“; eine Vektordatenbank beantwortet „welche Elemente sind am ähnlichsten“, und sie liefert immer die nächstgelegenen, selbst wenn keines davon wirklich passt.

Jeder Eintrag enthält meist vier Dinge:

- **Eine ID**, damit sich das Ergebnis zu einem Dokument, Produkt oder Bild zurückverfolgen lässt.
- **Den Vektor**, eine Zahlenliste fester Länge, die ein Embedding-Modell erzeugt.
- **Metadaten** wie Sprache, Datum, Land, Quelladresse oder die Angabe, wer das Element sehen darf; mit ihnen werden Ergebnisse gefiltert.
- **Den Inhalt oder einen Verweis darauf**, damit die Anwendung die Passage oder das Produkt anzeigen kann, für das der Vektor steht.

```json
{
  "id": "faq-0412#2",
  "vector": [0.021, -0.113, 0.087, "... 381 weitere Zahlen"],
  "metadata": { "lang": "de", "country": "DE", "updated": "2026-11-02" },
  "text": "Bestellungen nach Deutschland kommen meist innerhalb von drei Werktagen an."
}
```

## Was ist ein Vektor-Embedding?

Ein Vektor-Embedding ist eine Zahlenliste, die ein Embedding-Modell, ein für diese Aufgabe trainiertes neuronales Netz, für ein Stück Daten erzeugt, sodass ähnliche Bedeutungen nahe beieinander landen. „Billige Flüge nach Rom“ und „preiswerte Airline-Tickets mit Ziel Rom“ erhalten benachbarte Vektoren, obwohl sie kaum ein Wort teilen; wie dieser Abgleich nach Bedeutung bei der Suche funktioniert, erklärt [Was ist semantische Suche?](/de/blog/what-is-semantic-search).

Echte Embeddings haben Hunderte bis einige Tausend Zahlen, Dimensionen genannt, und das Modell legt diese Anzahl fest. Daraus folgen zwei Regeln: Jeder Vektor in einem Index hat dieselbe Zahl an Dimensionen, und Anfragen müssen mit demselben Modell in derselben Version eingebettet werden wie die gespeicherten Elemente. Vektoren aus zwei verschiedenen Modellen lassen sich nicht vergleichen, auch wenn sie gleich lang sind.

## Wie funktioniert eine Vektordatenbank?

Eine Vektordatenbank arbeitet in zwei Phasen: Vorab nimmt sie Elemente auf und indexiert sie, danach beantwortet sie jede Anfrage, indem sie diesen Index durchsucht.

1. **Elemente vorbereiten.** Lange Dokumente werden in Passagen zerlegt, jede mit ihrer Quelladresse und weiteren Metadaten.
2. **Einbetten.** Das Embedding-Modell verwandelt jede Passage, jedes Bild und jedes Produkt in einen Vektor, meist in Ihrer Anwendung oder Pipeline und nicht in der Datenbank selbst.
3. **Einträge speichern.** Die Datenbank schreibt ID, Vektor, Metadaten und Inhalt.
4. **Index aufbauen.** Ein ANN-Index ordnet die Vektoren in einem Graphen oder in Clustern an, damit eine Suche die meisten überspringen kann.
5. **Anfrage einbetten.** Die Frage des Nutzers läuft durch dasselbe Modell und wird zum Anfragevektor.
6. **Suchen und filtern.** Der Index liefert Kandidaten nahe der Anfrage, und Metadatenbedingungen wie „Sprache ist Deutsch“ entfernen die, die nicht infrage kommen.
7. **Die besten k zurückgeben.** Die k nächsten Elemente kommen mit ihren Ähnlichkeitswerten zurück, bereit zum Anzeigen, zum Neuordnen oder zur Übergabe an ein Sprachmodell.

Aktualisierungen nehmen denselben Weg: Ein geändertes Dokument wird neu eingebettet und sein alter Vektor ersetzt, sonst antwortet der Index weiter aus Text, den es nicht mehr gibt.

## Welche Ähnlichkeitsmaße nutzt eine Vektordatenbank?

Vektordatenbanken ordnen Ergebnisse nach einem von drei gängigen Maßen: Kosinus-Ähnlichkeit, Skalarprodukt oder euklidischer Abstand. Das richtige ist das Maß, auf das das Embedding-Modell trainiert wurde; seine Dokumentation nennt es.

| Maß | Was es vergleicht | Höher bedeutet |
|---|---|---|
| Kosinus-Ähnlichkeit | Den Winkel zwischen zwei Vektoren | Ähnlicher |
| Skalarprodukt | Winkel und Länge zusammen | Ähnlicher |
| Euklidischer Abstand (L2) | Den geraden Abstand, die Luftlinie | Weniger ähnlich |

Wenn alle Vektoren auf die Länge 1 normalisiert sind, was viele Embedding-Modelle tun, bringen die drei Maße die Ergebnisse in dieselbe Reihenfolge: Die Kosinus-Ähnlichkeit entspricht dann dem Skalarprodukt, und ein kleinerer Abstand bedeutet ein größeres Skalarprodukt. Deshalb empfiehlt die Dokumentation von [pgvector](https://github.com/pgvector/pgvector) für normalisierte Vektoren das innere Produkt, also das Skalarprodukt: gleiche Reihenfolge, am wenigsten Rechenaufwand. Bei nicht normalisierten Vektoren ändert sich die Reihenfolge stillschweigend, wenn Sie mit einem Maß indexieren und mit einem anderen abfragen.

## Was ist der Unterschied zwischen exakter und approximativer Nächste-Nachbarn-Suche?

Die exakte Suche vergleicht die Anfrage mit jedem gespeicherten Vektor und findet immer die wahren nächsten Nachbarn; die approximative Suche prüft nur einen kleinen, gut gewählten Teil der Sammlung und findet meist fast alle davon. Die exakte Suche, auch Brute-Force- oder flache Suche (Flat) genannt, kostet Zeit direkt proportional zur Zahl der Vektoren.

Die approximative Nächste-Nachbarn-Suche (ANN) tauscht ein wenig Genauigkeit gegen viel Geschwindigkeit. Die Genauigkeit wird als Recall gemessen, als Anteil der wahren nächsten Nachbarn, die gefunden werden: Liefert der Index 9 der wahren 10 nächsten Elemente, beträgt der Recall bei 10 (Recall@10) 0,9. Jeder ANN-Index hat Einstellungen, die sich entlang dieser Linie verschieben; stimmen Sie ihn also auf Ihre Daten ab, statt den Standardwerten zu vertrauen.

Wir haben eine kleine Version dieses Zielkonflikts selbst ausprobiert, in reinem JavaScript und mit synthetischen Daten. Auf unserem Testrechner dauerte der Scan von 100.000 Vektoren mit je 384 Zahlen etwa 40 Millisekunden pro Anfrage; ein minimaler IVF-Index mit 256 Clustern antwortete in etwa einer halben Millisekunde, wenn er einen Cluster durchsuchte, fand aber nur etwa 7 der wahren 10 nächsten Nachbarn, und die Suche in 32 Clustern dauerte etwa 10 Millisekunden und fand etwa 8,5 davon. Echte Indizes sind weit ausgefeilter, doch das Muster bleibt dasselbe: mehr Arbeit pro Anfrage, höherer Recall.

## Welche Arten von Vektorindizes gibt es?

Die wichtigsten Indextypen sind Flat (kein Index), Graphindizes wie HNSW, Clusterindizes wie IVF und die Kompression per Product Quantization, die oft mit IVF kombiniert wird. Jeder gewichtet Geschwindigkeit, Speicher und Recall anders.

| Index | Wie eine Suche abläuft | Hauptkosten |
|---|---|---|
| Flat | Vergleicht die Anfrage mit jedem Vektor | Langsam bei großen Mengen |
| HNSW | Springt durch einen geschichteten Graphen aus Nachbarn | Speicher, langsamer Aufbau |
| IVF | Durchsucht nur die nächstgelegenen Cluster | Weniger Recall bei gleichem Tempo |
| PQ | Vergleicht kurze komprimierte Codes | Nur angenäherte Abstände |

**HNSW** (Hierarchical Navigable Small World, ein hierarchischer, navigierbarer „Kleine-Welt“-Graph) wurde von Yury Malkov und Dmitry Yashunin in einem [Paper von 2016](https://arxiv.org/abs/1603.09320) beschrieben. Jeder Vektor ist mit einigen seiner Nachbarn verknüpft, und einige zufällig gewählte Vektoren erscheinen zusätzlich in dünner besetzten oberen Ebenen. Eine Suche beginnt oben, macht weite Sprünge durch die Sammlung und steigt dann Ebene für Ebene in feinere Nachbarschaften ab, sodass der Aufwand ungefähr mit dem Logarithmus der Sammlungsgröße wächst statt mit der Größe selbst. Der Preis sind Speicher für all diese Verknüpfungen und ein langsamerer Aufbau.

**IVF** (Inverted File Index, invertierter Dateiindex) gruppiert die Vektoren beim Aufbau des Index per k-Means in Cluster, wie das [Paper zur Faiss-Bibliothek](https://arxiv.org/abs/2401.08281) beschreibt. Eine Anfrage wird zuerst mit den Clusterzentren verglichen und dann nur mit den Vektoren in den wenigen nächstgelegenen Clustern; die Zahl der durchsuchten Cluster, oft nprobe genannt, ist der wichtigste Regler für den Recall.

**Product Quantization (PQ)**, 2011 von Hervé Jégou, Matthijs Douze und Cordelia Schmid in einem Paper vorgestellt, komprimiert die Vektoren selbst. Sie zerlegt jeden Vektor in kurze Teilvektoren und ersetzt jeden Teilvektor durch die Nummer des nächstgelegenen Eintrags in einem kleinen, gelernten Codebuch. Ein Vektor aus 768 Zahlen, gespeichert als 4-Byte-Gleitkommazahlen, belegt 3.072 Bytes; als 64 Ein-Byte-Codes belegt er 64 Bytes, um den Preis angenäherter Abstände. Systeme halten die vollständigen Vektoren oft auf der Festplatte und ordnen mit ihnen die kurze Liste neu.

## Wie funktioniert Metadatenfilterung in einer Vektordatenbank?

Metadatenfilterung beschränkt eine Vektorsuche auf Elemente, die exakte Bedingungen erfüllen, etwa Sprache, Land, Datum, Preis oder Zugriffsrechte. Aus „die 10 nächsten Passagen“ wird „die 10 nächsten Passagen auf Deutsch, in diesem Jahr aktualisiert, die dieser Nutzer lesen darf“.

Entscheidend ist, wo der Filter greift. Findet die Datenbank zuerst die nächsten Kandidaten und entfernt danach die, die den Filter nicht bestehen, kann ein strenger Filter sehr wenige Ergebnisse übrig lassen: Die Dokumentation von pgvector zeigt eine HNSW-Suche mit Standardeinstellungen und einer Bedingung, die auf 10 % der Zeilen zutrifft, die im Schnitt nur etwa 4 Zeilen liefert. Version 0.8.0 brachte iterative Indexscans (iterative index scans), die weitersuchen, bis genug Zeilen durchkommen; andere Systeme filtern schon während der Graph- oder Clustersuche. In jedem Fall gilt: Testen Sie Ihre strengsten echten Filter.

## Was ist hybride Suche in einer Vektordatenbank?

Hybride Suche führt eine Keyword-Suche und eine Vektorsuche auf derselben Sammlung aus und führt die beiden Ergebnislisten zusammen. Vektoren finden Umschreibungen; Keywords finden exakte Zeichenfolgen wie Bestellnummern, Fehlercodes und Produktnamen, die Embeddings gern verwischen. Viele Vektordatenbanken speichern neben den Embeddings einen Keyword-Index oder dünn besetzte Vektoren (lange Vektoren aus überwiegend Nullen, eine Position pro Wort), damit eine Anfrage beides nutzen kann; andernfalls führt die Anwendung die beiden Listen selbst zusammen.

## Brauchen Sie eine eigene Vektordatenbank oder eine Vektorerweiterung?

Eine eigene Vektordatenbank brauchen Sie, wenn Vektoren ein zentraler, großer und stark genutzter Teil Ihres Systems sind; sind sie nur eine weitere Spalte neben Daten, die Sie ohnehin halten, reicht meist eine Vektorerweiterung oder eine Bibliothek. Die Entscheidung hängt am Betrieb, nicht an einer Rangliste von Produkten.

- **Eine Vektorerweiterung in Ihrer bestehenden Datenbank.** pgvector zum Beispiel ergänzt PostgreSQL um einen Vektortyp, Abstandsoperatoren sowie HNSW- und IVFFlat-Indizes. Die Suche ist standardmäßig exakt, eine einfache `vector`-Spalte speichert bis zu 16.000 Dimensionen und lässt sich bis 2.000 Dimensionen indexieren, und Filter, Joins, Backups und Zugriffsregeln bleiben die, die Sie schon haben.
- **Eine eigene Vektordatenbank.** Ein separates System, das um die ANN-Suche herum gebaut ist, mit eigener Skalierung, Replikation, Filterung und hybriden Funktionen. Sie lohnt sich bei sehr großen Sammlungen, hohen Anfrageraten, häufigen Aktualisierungen oder mehreren Anwendungen, die sich einen Index teilen.
- **Eine Bibliothek in Ihrem Programm.** Faiss zum Beispiel baut und durchsucht Indizes im Arbeitsspeicher, ohne Server. Das passt zu Batch-Jobs und zur Offline-Duplikaterkennung, doch Speicherung, Aktualisierungen und Filterung übernehmen Sie selbst.

Manchmal brauchen Sie nichts davon. Bis zu einigen Hunderttausend Vektoren lassen sich exakt durchsuchen; unser Scan über 100.000 Vektoren dauerte in reinem JavaScript etwa 40 Millisekunden. Eine Suche nach Artikel- oder Bestellnummer oder nach „Bestellungen über 500 Stück im letzten Monat“ ist eine Keyword- oder SQL-Abfrage und darf nie „fast richtig“ sein. Beginnen Sie dort, wo Ihre Daten schon liegen, und wechseln Sie erst, wenn gemessener Recall und gemessene Latenz es nahelegen.

## Wie viel Speicher braucht eine Vektordatenbank?

Rohe Vektoren brauchen Anzahl der Vektoren × Dimensionen × Bytes pro Zahl, noch vor jedem Index. Mit den üblichen 4-Byte-Gleitkommazahlen belegen eine Million Vektoren mit 768 Dimensionen etwa 3,1 GB und eine Million Vektoren mit 1.536 Dimensionen etwa 6,1 GB; zehn Millionen der letzteren belegen etwa 61 GB.

Der Index kommt hinzu: Ein HNSW-Graph speichert für jeden Vektor eine Liste von Nachbar-IDs, und eine schnelle Suche erwartet den Graphen und meist auch die Vektoren im RAM. Zahlen mit halber Genauigkeit (2 statt 4 Bytes), Codes aus der Product Quantization und ein Modell mit weniger Dimensionen senken die Rechnung, und jede dieser Maßnahmen kann etwas Recall kosten; messen Sie also vorher und nachher.

Das erneute Einbetten ist der versteckte Kostenpunkt. Ein neues Embedding-Modell macht jeden gespeicherten Vektor unvergleichbar mit neuen Anfragen, also muss die ganze Sammlung neu eingebettet und der Index neu aufgebaut werden.

## Wo werden Vektordatenbanken eingesetzt?

Vektordatenbanken kommen überall dort zum Einsatz, wo eine Anwendung unter vielen Elementen „Dinge wie dieses“ finden muss.

**RAG und KI-Assistenten.** Bei RAG (Retrieval-Augmented Generation, abrufgestützte Generierung) findet die Vektordatenbank die Passagen, die am engsten mit der Frage eines Nutzers zusammenhängen, und übergibt sie an ein [großes Sprachmodell](/de/blog/what-is-a-large-language-model), das daraus die Antwort schreibt und ihre Quellen zitieren kann.

**Suche, Empfehlungen und Duplikate.** Die Suche eines Hilfecenters oder Shops findet Seiten nach Bedeutung; „ähnliche Produkte“ sind die nächsten Nachbarn des gerade angesehenen Artikels; zwei Tickets oder Angebote, die dasselbe mit anderen Worten sagen, liegen so nah beieinander, dass ein Abstandsschwellenwert sie als Duplikate markiert. Modelle, die Bilder und Text im selben Raum einbetten, lassen außerdem eine Textanfrage passende Fotos finden.

## Woher kommen die Quellseiten der Vektoren?

Ein Vektorindex ist nur so gut wie die Inhalte dahinter. Antwortet ein Assistent aus öffentlichen Webseiten wie Produktdokumentation, Preisen oder lokalen Vorschriften, müssen diese Seiten gesammelt, bereinigt und bei Änderungen neu abgerufen werden; wie aus HTML saubere Chunks mit Quellenangabe werden, zeigt [Web Scraping für RAG](/de/blog/web-scraping-for-rag).

Viele öffentliche Seiten unterscheiden sich außerdem nach dem Land des Besuchers: Preise, Lagerbestand, Lieferzeiten und sogar die Sprache des Textes. Sind Ihre Nutzer in Deutschland und enthält der Index die Fassung, die ein Server in einem anderen Land gesehen hat, liegen die nächsten Nachbarn mit voller Überzeugung daneben. Wer die öffentlichen Seiten über [Residential-Proxy](https://proxynet.io/de/residential-proxy)-IPs im Zielland sammelt, mit Länder- und Städte-Targeting, hält die indexierte Fassung nah an dem, was lokale Besucher sehen.

Teams, die diese Sammlung nicht selbst betreiben möchten, können nach unserer Web Scraping API fragen, einem verwalteten Dienst zur Seitenextraktion, der über das Vertriebsteam erhältlich ist und auf der Seite [Data Scraping](/de/data-scraping) beschrieben wird. Wie auch immer Sie sammeln: Respektieren Sie die robots.txt, die Nutzungsbedingungen und die Rate Limits jeder Website, und halten Sie personenbezogene Daten aus dem Index heraus, sofern Sie keine Rechtsgrundlage für ihre Verarbeitung haben.

## Häufige Fehler

- **Embedding-Modelle oder -Versionen mischen.** Vektoren aus verschiedenen Modellen lassen sich nicht vergleichen; ein Modellwechsel bedeutet, alles neu einzubetten.
- **Das falsche Ähnlichkeitsmaß verwenden.** Nutzen Sie das Maß, auf das das Modell trainiert wurde, und dasselbe für Indexierung und Abfrage.
- **Den Standardeinstellungen des Index vertrauen.** Messen Sie den Recall@10 gegen eine exakte Suche an einer Stichprobe echter Anfragen und stimmen Sie dann die Graph- oder Clusterparameter ab.
- **Ohne Filter testen.** Ein strenger Metadatenfilter kann die Ergebnisliste auf eine Handvoll Elemente schrumpfen lassen; testen Sie die Filter, die Nutzer wirklich setzen.
- **Kein Ähnlichkeitsschwellenwert.** Nächste Nachbarn gibt es immer; ohne Mindestwert antwortet ein Assistent aus Passagen, die lediglich am wenigsten irrelevant sind.
- **Löschungen und Zugriffsrechte vergessen.** Gelöschte oder gesperrte Dokumente bleiben auffindbar, bis ihre Vektoren entfernt oder herausgefiltert sind.

## Entscheidungshilfe

| Ihre Situation | Was Sie nutzen |
|---|---|
| Weniger als einige Hunderttausend Vektoren | Exakte Suche oder eine Vektorerweiterung |
| Daten liegen bereits in PostgreSQL | pgvector, bei Bedarf mit HNSW-Index |
| Millionen Vektoren, hohe Anfragerate | Eine eigene Vektordatenbank |
| Offline-Batch-Jobs oder Forschung | Eine In-Memory-Bibliothek wie Faiss |
| Nutzer suchen auch nach Codes und Namen | Hybride Suche, Keywords plus Vektoren |
| Strenge Filter bei den meisten Anfragen | Ein System, das während der Suche filtert |
| Der Speicher ist die Grenze | Halbe Genauigkeit oder Product Quantization |
| Antworten aus öffentlichen Webseiten | Seiten pro Markt sammeln und auffrischen |

## Häufige Fragen

### Was ist der Unterschied zwischen einer Vektordatenbank und einem Vector Store?

„Vector Store“ (Vektorspeicher) ist ein lockererer Begriff für alles, was Embeddings aufbewahrt und die nächsten zurückgibt, von einer Liste im Arbeitsspeicher bis zu einer vollständigen Datenbank. Eine Vektordatenbank fügt die Datenbankseite hinzu: Persistenz, Aktualisierungen und Löschungen, Filter, Zugriffskontrolle, Backups und Skalierung. Viele KI-Frameworks nennen die Schnittstelle vor beidem einen „Vector Store“.

### Brauche ich für RAG eine Vektordatenbank?

Nicht immer. RAG braucht einen Abrufschritt, und bei einer überschaubaren Sammlung kann das eine exakte Suche im Arbeitsspeicher, eine Vektorerweiterung in Ihrer bestehenden Datenbank oder ein Keyword-Index sein. Eine eigene Vektordatenbank wird nützlich, wenn die Sammlung groß ist, sich oft ändert oder viele Nutzer mit strengen Filtern bedient.

### HNSW oder IVF: Welcher Index ist besser?

Keiner ist überall besser. HNSW liefert bei gleicher Geschwindigkeit meist einen höheren Recall, braucht aber mehr Speicher und baut sich langsamer auf; IVF baut sich schneller auf und braucht weniger Speicher, und zusammen mit Product Quantization bringt es sehr große Sammlungen in begrenztem RAM unter. Testen Sie beide mit Ihren eigenen Daten und Filtern.

### Was ist der Unterschied zwischen einer Vektordatenbank und einer Graphdatenbank?

Eine Graphdatenbank speichert explizite Beziehungen wie „dieser Kunde hat dieses Produkt gekauft“ und folgt ihnen. Eine Vektordatenbank speichert implizite Ähnlichkeit: Elemente sind „verwandt“, weil ihre Vektoren nah beieinander liegen. Manche Systeme verbinden beides und nutzen Vektoren, um einen Startpunkt zu finden, und den Graphen, um bekannten Verbindungen zu folgen.

### Was ist ein Beispiel für eine Vektordatenbank?

pgvector ist ein Open-Source-Beispiel für den Weg über eine Erweiterung: Es ergänzt PostgreSQL um Vektorsuche. Faiss ist ein Beispiel für den Weg über eine Bibliothek, und mehrere Open-Source- und verwaltete Systeme sind eigene Vektordatenbanken. Welches passt, hängt von Ihrer Datenmenge, Ihren Filtern und dem ab, was Sie bereits betreiben.

### Wie viele Dimensionen sollten meine Vektoren haben?

Das Embedding-Modell legt die Zahl der Dimensionen fest, typischerweise einige Hundert bis einige Tausend. Mehr Dimensionen können mehr Details aufnehmen, kosten aber proportional mehr Speicher; vergleichen Sie also ein kleineres mit einem größeren Modell anhand Ihrer eigenen Testanfragen, bevor Sie für den größeren Index bezahlen.

## Fazit

Eine Vektordatenbank speichert Embeddings mit ID und Metadaten und findet die Elemente, die einem Anfragevektor am ähnlichsten sind. Für kleine Sammlungen genügt die exakte Suche; im großen Maßstab tauschen HNSW-Graphen, IVF-Cluster und Product Quantization etwas Recall gegen viel schnellere Antworten, also stimmen Sie sie auf Ihre eigenen Anfragen und Filter ab. Beginnen Sie mit der Datenbank, die Sie schon betreiben, ergänzen Sie hybride Suche für exakte Zeichenfolgen und planen Sie den Speicher als Vektoren × Dimensionen × Bytes. Wird der Index aus öffentlichen Webseiten gebaut, ist es die halbe Arbeit, diese Seiten aktuell und länderrichtig zu halten.
