---
title: "Vektör Veritabanı Nedir ve Nasıl Çalışır?"
description: "Vektör veritabanı, embedding'leri saklar ve HNSW gibi ANN indeksleriyle en benzer olanları bulur. Nasıl çalıştığını, indeks türlerini ve maliyeti anlatıyoruz."
url: https://proxynet.io/tr/blog/what-is-a-vector-database
date: 2026-11-19
author: "Acar Diveroli"
category: "Yapay Zekâ"
lang: tr
---

# Vektör Veritabanı Nedir ve Nasıl Çalışır?

Bir destek ekibi 100.000 yardım masası cevabını embedding'e çeviriyor ve "benzer talepleri bul" diye bir düğme ekliyor. İlk sürüm her yeni talebi saklanan bütün vektörlerle tek tek karşılaştırıyor ve sonuç anında geliyor. Sonra arşiv 20 milyon pasaja büyüyor; her arama 20 milyon vektörün hepsini okuyor ve düğme her yeni aktarımla biraz daha yavaşlıyor. "Her şeyle karşılaştır" ile "en yakın birkaçını milisaniyeler içinde bul" arasındaki bu açığı kapatmak, vektör veritabanının işidir.

Bu yazıda vektör veritabanının neyi sakladığını, bir aramanın nasıl çalıştığını, hangi benzerlik ölçülerini ve indeks türlerini kullandığını (HNSW, IVF ve çarpım nicemlemeyi sade bir dille), filtrelerin ve hibrit aramanın nereye oturduğunu, mevcut veritabanınızdaki bir eklentinin ne zaman yettiğini ve bellekte ne kadar yer tuttuğunu anlatıyoruz.

> **Not: Kısa cevap**
>
> Vektör veritabanı, metnin, görselin ya da başka bir verinin anlamını temsil eden sayı listelerini, yani embedding'leri, her öğenin kimliği ve meta verisiyle birlikte saklar ve bir sorgu vektörüne en çok benzeyen vektörleri bulur. Sorguyu her vektörle karşılaştırmak kesin sonuç verir ama koleksiyon büyüdükçe yavaşlar; bu yüzden vektör veritabanları HNSW grafları ya da IVF kümeleri gibi yaklaşık en yakın komşu (ANN) indeksleri kurar. Bu indeksler verinin yalnızca küçük bir bölümüne bakar ve neredeyse aynı ilk sonuçları çok daha hızlı döndürür. Semantik arama, RAG sohbet botları, öneri sistemleri ve kopya tespiti bu veritabanlarıyla çalışır; birkaç yüz bin vektör için ise zaten kullandığınız veritabanına eklenen bir vektör eklentisi çoğu zaman yeterlidir.

## Vektör veritabanı nedir?

Vektör veritabanı, vektörleri saklamak ve tek bir soruyu hızla cevaplamak için tasarlanmış bir veritabanıdır: saklanan öğelerden hangileri buna en yakın? İlişkisel bir veritabanı "hangi satırlar bu koşulu sağlıyor" sorusunu cevaplar; vektör veritabanı ise "hangi öğeler en çok benziyor" sorusunu. İkincisi her zaman en yakın olanları döndürür, hiçbiri gerçekten iyi bir eşleşme olmasa bile.

Her kayıt genellikle dört şey tutar:

- **Bir kimlik (ID):** sonucun hangi belgeye, ürüne ya da görsele ait olduğu bulunabilsin diye.
- **Vektörün kendisi:** bir embedding modelinin ürettiği, sabit uzunlukta bir sayı listesi.
- **Meta veri:** dil, tarih, ülke, kaynak adresi ya da öğeyi kimin görebileceği gibi, sonuçları filtrelemeye yarayan bilgiler.
- **İçerik ya da içeriğe giden bir işaretçi:** uygulama, vektörün temsil ettiği pasajı ya da ürünü gösterebilsin diye.

```json
{
  "id": "sss-0412#2",
  "vector": [0.021, -0.113, 0.087, "... 381 sayı daha"],
  "metadata": { "lang": "tr", "country": "DE", "updated": "2026-11-02" },
  "text": "Almanya'ya verilen siparişler genellikle üç iş günü içinde teslim edilir."
}
```

## Vektör embedding nedir?

Vektör embedding (vektör temsili), bu iş için eğitilmiş bir sinir ağı olan embedding modelinin bir veri parçası için ürettiği ve anlamı yakın verileri birbirine yakın konumlara yerleştiren bir sayı listesidir. "Roma'ya ucuz uçuşlar" ile "Roma için indirimli uçak bileti" neredeyse hiç ortak kelime paylaşmadığı hâlde birbirine yakın vektörler alır; anlama göre eşleştirmenin aramada nasıl çalıştığını [Semantik Arama Nedir?](/tr/blog/what-is-semantic-search) yazısında anlattık.

Gerçek embedding'ler yüzlerce ile birkaç bin arasında sayıdan oluşur; bu sayılara boyut denir ve kaç boyut olacağını model belirler. Buradan iki kural çıkar: bir indeksteki bütün vektörlerin boyut sayısı aynıdır ve sorgular, saklanan öğelerle aynı model ve aynı sürümle embedding'e çevrilmelidir. İki farklı modelin vektörleri, uzunlukları aynı olsa bile karşılaştırılamaz.

## Vektör veritabanı nasıl çalışır?

Vektör veritabanı iki aşamada çalışır: öğeleri önceden alıp indeksler, ardından her sorguyu bu indekste arayarak cevaplar.

1. **Öğeleri hazırlayın.** Uzun belgeler pasajlara bölünür; her pasaj kaynak adresini ve diğer meta verilerini yanında taşır.
2. **Embedding'e çevirin.** Embedding modeli her pasajı, görseli ya da ürünü bir vektöre çevirir. Bu adım genellikle veritabanının içinde değil, uygulamanızda ya da veri hattınızda yapılır.
3. **Kayıtları saklayın.** Veritabanı kimliği, vektörü, meta veriyi ve içeriği yazar.
4. **İndeksi kurun.** ANN indeksi, aramanın vektörlerin çoğunu atlayabilmesi için onları bir graf ya da kümeler hâlinde düzenler.
5. **Sorguyu embedding'e çevirin.** Kullanıcının sorusu aynı modelden geçer ve bir sorgu vektörüne dönüşür.
6. **Arayın ve filtreleyin.** İndeks sorguya yakın adayları döndürür; "dil Almanca" gibi meta veri koşulları uymayanları eler.
7. **İlk k sonucu döndürün.** En yakın k öğe benzerlik puanlarıyla birlikte gelir; gösterilmeye, yeniden sıralanmaya ya da bir dil modeline verilmeye hazırdır.

Güncellemeler de aynı yoldan geçer: değişen bir belge yeniden embedding'e çevrilir ve eski vektörü değiştirilir. Aksi hâlde indeks, artık var olmayan bir metinden cevap vermeyi sürdürür.

## Vektör veritabanı hangi benzerlik ölçülerini kullanır?

Vektör veritabanları sonuçları üç yaygın ölçüden biriyle sıralar: kosinüs benzerliği, nokta çarpımı (dot product) ya da Öklid uzaklığı. Doğru ölçü, embedding modelinin eğitildiği ölçüdür; bunu modelin dokümantasyonu söyler.

| Ölçü | Neyi karşılaştırır? | Yüksek değer |
|---|---|---|
| Kosinüs benzerliği | İki vektör arasındaki açıyı | Daha benzer |
| Nokta çarpımı | Açıyı ve uzunluğu birlikte | Daha benzer |
| Öklid (L2) uzaklığı | Düz çizgi mesafesini | Daha az benzer |

Bütün vektörler 1 uzunluğuna normalize edildiğinde (birçok embedding modeli bunu yapar) üç ölçü de sonuçları aynı sıraya koyar: kosinüs nokta çarpımına eşit olur, daha küçük uzaklık da daha büyük nokta çarpımı demektir. [pgvector](https://github.com/pgvector/pgvector) dokümantasyonunun normalize vektörler için iç çarpımı önermesinin nedeni budur: sıralama aynıdır, hesap en azdır. Normalize edilmemiş vektörlerde ise indeksi bir ölçüyle kurup başka bir ölçüyle sorgulamak, sıralamayı fark ettirmeden değiştirir.

## Tam ve yaklaşık en yakın komşu araması arasındaki fark nedir?

Tam arama sorguyu saklanan her vektörle karşılaştırır ve gerçek en yakın komşuları her zaman bulur; yaklaşık arama ise koleksiyonun yalnızca küçük ve iyi seçilmiş bir bölümüne bakar ve genellikle bu komşuların neredeyse hepsini bulur. Kaba kuvvet (brute force) ya da düz (flat) arama da denen tam aramanın süresi, vektör sayısıyla doğru orantılı olarak artar.

Yaklaşık en yakın komşu (ANN) araması, biraz isabetten vazgeçip çok hız kazanır. İsabet, gerçek en yakın komşuların ne kadarının bulunduğunu gösteren recall ile ölçülür: indeks gerçek 10 en yakın öğenin 9'unu döndürüyorsa 10'daki recall 0,9'dur. Her ANN indeksinin bu denge üzerinde gezinmenizi sağlayan ayarları vardır; bu yüzden varsayılanlara güvenmek yerine indeksi kendi verinizle ayarlayın.

Bu dengenin küçük bir örneğini kendimiz denedik: kütüphanesiz, sade JavaScript ile ve yapay (sentetik) veriyle. Test makinemizde, her biri 384 sayıdan oluşan 100.000 vektörü baştan sona taramak sorgu başına yaklaşık 40 milisaniye sürdü. 256 kümeli basit bir IVF indeksi tek bir kümeye baktığında yaklaşık yarım milisaniyede cevap verdi ama gerçek 10 en yakın komşunun ancak 7 kadarını buldu; 32 kümeye bakmak yaklaşık 10 milisaniye sürdü ve 8,5 kadarını buldu. Gerçek indeksler çok daha gelişmiştir, ama örüntü aynıdır: sorgu başına daha çok iş, daha yüksek recall.

## Başlıca vektör indeks türleri nelerdir?

Başlıca indeks türleri düz arama (indekssiz), HNSW gibi graf indeksleri, IVF gibi küme indeksleri ve çoğu zaman IVF ile birlikte kullanılan çarpım nicemleme (product quantization) sıkıştırmasıdır. Her biri hız, bellek ve recall arasındaki dengeyi farklı kurar.

| İndeks | Arama nasıl yürür? | Başlıca bedeli |
|---|---|---|
| Düz (flat) | Sorguyu her vektörle karşılaştırır | Büyük veride yavaş |
| HNSW | Katmanlı bir komşuluk grafında atlar | Bellek, yavaş kurulum |
| IVF | Yalnızca en yakın kümeleri tarar | Aynı hızda daha düşük recall |
| PQ | Kısa, sıkıştırılmış kodları karşılaştırır | Yaklaşık mesafeler |

**HNSW** (hierarchical navigable small world, hiyerarşik gezinilebilir küçük dünya), Yury Malkov ve Dmitry Yashunin'in [2016 tarihli makalesinde](https://arxiv.org/abs/1603.09320) tanımlandı. Her vektör komşularının bir kısmına bağlanır; rastgele seçilen birkaç vektör ise daha seyrek üst katmanlarda da yer alır. Arama en üst katmandan başlar, koleksiyonun bir ucundan öbürüne uzun atlayışlar yapar, sonra katman katman inerek daha dar komşuluklara geçer. Böylece iş, koleksiyonun boyutuyla değil, kabaca boyutunun logaritmasıyla büyür. Bedeli, bütün bu bağlantıların tuttuğu bellek ve daha yavaş bir kurulumdur.

**IVF** (inverted file index, ters dosya indeksi), [Faiss kütüphanesi makalesinin](https://arxiv.org/abs/2401.08281) anlattığı gibi, indeks kurulurken vektörleri k-means ile kümelere ayırır. Sorgu önce küme merkezleriyle, ardından yalnızca en yakın birkaç kümedeki vektörlerle karşılaştırılır. Genellikle nprobe adıyla anılan taranan küme sayısı, recall'u belirleyen asıl ayardır.

**Çarpım nicemleme (product quantization, PQ)**, Hervé Jégou, Matthijs Douze ve Cordelia Schmid'in 2011 tarihli makalesinde tanıtıldı ve vektörlerin kendisini sıkıştırır. Her vektörü kısa alt vektörlere böler ve her alt vektörün yerine, öğrenilmiş küçük bir kod tablosundaki en yakın girdinin numarasını yazar. 4 baytlık ondalık sayılarla saklanan 768 sayılık bir vektör 3.072 bayt tutar; 64 tane tek baytlık kodla ise 64 bayt, bunun bedeli de mesafelerin yaklaşık hesaplanmasıdır. Sistemler çoğu zaman tam vektörleri diskte tutar ve kısa listeyi onlarla yeniden sıralar.

## Vektör veritabanında meta veri filtreleme nasıl çalışır?

Meta veri filtreleme, vektör aramasını dil, ülke, tarih, fiyat ya da erişim hakları gibi kesin koşulları sağlayan öğelerle sınırlar. "En yakın 10 pasaj" sorusunu "bu yıl güncellenmiş, Almanca ve bu kullanıcının okuyabileceği en yakın 10 pasaj" sorusuna çevirir.

Filtrenin nerede çalıştığı önemlidir. Veritabanı önce en yakın adayları bulup sonra filtreye uymayanları atarsa, katı bir filtre geriye çok az sonuç bırakabilir. pgvector dokümantasyonundaki örnekte, varsayılan ayarlarla çalışan bir HNSW araması, satırların %10'unun sağladığı bir koşulda ortalama yalnızca 4 kadar satır döndürür. pgvector'ün 0.8.0 sürümü, yeterli satır koşulu sağlayana kadar aramayı sürdüren yinelemeli indeks taramalarını (iterative index scans) ekledi; başka sistemler filtreyi graf ya da küme aramasının içinde uygular. Hangisi olursa olsun, en katı gerçek filtrelerinizi test edin.

## Vektör veritabanında hibrit arama nedir?

Hibrit arama, aynı koleksiyonda bir anahtar kelime araması ile bir vektör aramasını birlikte çalıştırır ve iki sonuç listesini birleştirir. Vektörler aynı şeyi başka kelimelerle söyleyen metinleri bulur; anahtar kelimeler ise embedding'lerin bulanıklaştırdığı sipariş numarası, hata kodu ve ürün adı gibi birebir dizeleri. Birçok vektör veritabanı, tek sorgunun ikisini de kullanabilmesi için embedding'lerin yanında bir anahtar kelime indeksi ya da seyrek vektörler (çoğu sıfır olan, her kelimeye bir konum ayıran uzun vektörler) tutar; tutmuyorsa iki listeyi uygulama kendisi birleştirir.

## Ayrı bir vektör veritabanı mı, vektör eklentisi mi gerekir?

Vektörler sisteminizin merkezinde duran, büyük ve yoğun kullanılan bir parçaysa ayrı bir vektör veritabanı gerekir; zaten tuttuğunuz verinin yanında bir sütundan ibaretse bir vektör eklentisi ya da bir kütüphane genellikle yeter. Karar, hangi ürünün "en iyi" olduğuyla değil, işletme yüküyle ilgilidir.

- **Mevcut veritabanınızda bir vektör eklentisi.** Örneğin pgvector, PostgreSQL'e bir vektör tipi, mesafe operatörleri ve HNSW ile IVFFlat indeksleri ekler. Varsayılan olarak tam arama yapar; düz bir `vector` sütunu 16.000 boyuta kadar vektör saklar ve 2.000 boyuta kadar indekslenebilir. Filtreler, birleştirmeler (join), yedekler ve erişim kuralları zaten kullandıklarınız olarak kalır.
- **Ayrı bir vektör veritabanı.** Kendi ölçeklenmesi, çoğaltması (replication), filtrelemesi ve hibrit özellikleri olan, ANN araması etrafında kurulmuş ayrı bir sistem. Çok büyük koleksiyonlarda, yüksek sorgu yükünde, sık güncellemede ya da aynı indeksi birden fazla uygulama kullandığında kendini amorti eder.
- **Programınızın içinde bir kütüphane.** Örneğin Faiss, indeksleri sunucu olmadan bellekte kurar ve arar. Toplu işlere ve çevrimdışı kopya tespitine uyar; ama saklama, güncelleme ve filtrelemeyi siz üstlenirsiniz.

Bazen hiçbirine ihtiyacınız olmaz. Birkaç yüz bin vektöre kadar tam arama yapılabilir; bizim 100.000 vektörlük taramamız sade JavaScript ile yaklaşık 40 milisaniye sürdü. Stok kodu ya da sipariş numarasıyla yapılan bir arama veya "geçen ay 500 adetten büyük siparişler" gibi bir soru, anahtar kelime ya da SQL sorgusudur ve asla "neredeyse doğru" olmamalıdır. Verinizin zaten durduğu yerden başlayın; ancak ölçtüğünüz recall ve gecikme gerektirdiğinde başka bir sisteme geçin.

## Vektör veritabanı ne kadar bellek ister?

Ham vektörler, herhangi bir indeks eklenmeden önce vektör sayısı × boyut × sayı başına bayt kadar yer tutar. Yaygın 4 baytlık ondalık sayılarla 768 boyutlu bir milyon vektör yaklaşık 3,1 GB, 1.536 boyutlu bir milyon vektör yaklaşık 6,1 GB tutar; 1.536 boyutlu on milyon vektör ise yaklaşık 61 GB eder.

İndeks buna eklenir: bir HNSW grafı her vektör için komşu kimliklerinden oluşan bir liste tutar ve hızlı arama, grafın ve genellikle vektörlerin RAM'de durmasını bekler. Yarım hassasiyetli sayılar (4 yerine 2 bayt), çarpım nicemleme kodları ve daha az boyutlu bir model bellek ihtiyacını küçültür; her biri recall'dan bir miktar götürebileceği için öncesini ve sonrasını ölçün.

Gizli maliyet yeniden embedding'dir. Yeni bir embedding modeli, saklanan her vektörü yeni sorgularla karşılaştırılamaz hâle getirir; bütün koleksiyonun yeniden embedding'e çevrilmesi ve indeksin yeniden kurulması gerekir.

## Vektör veritabanları nerelerde kullanılır?

Vektör veritabanları, bir uygulamanın çok sayıda öğe arasından "buna benzeyenleri" bulması gereken her yerde kullanılır.

**RAG ve yapay zekâ asistanları.** RAG'de (retrieval-augmented generation, getirmeyle zenginleştirilmiş üretim) vektör veritabanı, kullanıcının sorusuyla en ilgili pasajları bulur ve onları bir [büyük dil modeline](/tr/blog/what-is-a-large-language-model) verir; model cevabı bu pasajlardan yazar ve kaynaklarını gösterebilir.

**Arama, öneri ve kopya tespiti.** Bir yardım merkezi ya da mağaza araması sayfaları anlamına göre bulur; "benzer ürünler", az önce bakılan ürünün vektörüne en yakın komşulardır; aynı şeyi başka kelimelerle söyleyen iki talep ya da ilan birbirine o kadar yakın durur ki bir mesafe eşiği onları kopya olarak işaretler. Görselleri ve metinleri aynı uzaya yerleştiren modeller sayesinde bir metin sorgusu uygun fotoğrafları da bulabilir.

## Vektörlerin arkasındaki sayfalar nereden gelir?

Bir vektör indeksi, arkasındaki içerik kadar iyidir. Bir asistan ürün belgeleri, fiyatlar ya da yerel düzenlemeler gibi herkese açık web sayfalarından cevap veriyorsa bu sayfaların toplanması, temizlenmesi ve değiştikçe yeniden getirilmesi gerekir; HTML'i kaynağı belli, temiz parçalara çevirmeyi [RAG Nedir? Web Verisini Temiz Markdown Parçalarına Çevirme](/tr/blog/web-scraping-for-rag) yazısında anlattık.

Herkese açık sayfaların çoğu ziyaretçinin ülkesine göre de değişir: fiyat, stok, teslim süresi, hatta metnin dili. Kullanıcılarınız Almanya'daysa ve indeks başka bir ülkedeki sunucunun gördüğü kopyayı tutuyorsa, en yakın komşular kendinden emin biçimde yanlış olur. Herkese açık sayfaları hedef ülkedeki [Residential Proxy](https://proxynet.io/tr/residential-proxy) IP'leri üzerinden, ülke ve şehir hedeflemesiyle toplamak, indekslenen kopyayı yerel ziyaretçinin gördüğüne yakın tutar.

Bu toplama işini kendisi yürütmek istemeyen ekipler, satış ekibi üzerinden sunulan yönetilen sayfa çıkarma hizmetimiz Web Scraping API'yi sorabilir; hizmeti [veri kazıma](/tr/data-scraping) sayfasında anlattık. Hangi yolla toplarsanız toplayın, her sitenin robots.txt dosyasına, kullanım koşullarına ve hız sınırlarına uyun; 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) ya da GDPR kapsamında hukuki bir dayanağınız yoksa kişisel verileri indekse almayın.

## Sık yapılan hatalar

- **Embedding modellerini ya da sürümlerini karıştırmak.** Farklı modellerin vektörleri karşılaştırılamaz; model değişirse her şeyin yeniden embedding'e çevrilmesi gerekir.
- **Yanlış benzerlik ölçüsünü kullanmak.** Modelin eğitildiği ölçüyü kullanın; indekslerken ve sorgularken aynı ölçüyü seçin.
- **Varsayılan indeks ayarlarına güvenmek.** Gerçek sorgulardan bir örneklemde 10'daki recall'u tam aramaya karşı ölçün, sonra graf ya da küme parametrelerini ayarlayın.
- **Filtresiz test etmek.** Katı bir meta veri filtresi sonuç listesini birkaç öğeye indirebilir; kullanıcıların gerçekten uyguladığı filtreleri test edin.
- **Benzerlik eşiği koymamak.** En yakın komşular her zaman vardır; asgari bir puan yoksa asistan, yalnızca "en az alakasız" olan pasajlardan cevap üretir.
- **Silme işlemlerini ve erişim haklarını unutmak.** Silinmiş ya da erişimi kısıtlanmış belgeler, vektörleri kaldırılana ya da filtrelenene kadar aranabilir kalır.

## Karar rehberi

| Durumunuz | Ne kullanmalı? |
|---|---|
| Birkaç yüz binden az vektör | Tam arama ya da bir vektör eklentisi |
| Veri zaten PostgreSQL'de | pgvector, gerekince HNSW indeksiyle |
| Milyonlarca vektör, yüksek sorgu yükü | Ayrı bir vektör veritabanı |
| Çevrimdışı toplu işler ya da araştırma | Faiss gibi bellek içi bir kütüphane |
| Kullanıcılar kod ve adla da arıyor | Hibrit arama: anahtar kelime artı vektör |
| Sorguların çoğunda katı filtreler | Filtreyi arama sırasında uygulayan bir sistem |
| Bellek sınırda | Yarım hassasiyet ya da çarpım nicemleme |
| Cevaplar herkese açık web sayfalarından | Sayfaları pazar bazında toplayıp güncel tutmak |

## Sıkça sorulan sorular

### Vektör veritabanı ile vektör deposu (vector store) arasındaki fark nedir?

"Vektör deposu" (vector store), embedding'leri tutup en yakın olanları döndüren her şey için kullanılan daha gevşek bir terimdir; bellekteki basit bir listeden tam bir veritabanına kadar uzanır. Vektör veritabanı buna veritabanı tarafını ekler: kalıcılık, güncelleme ve silme, filtreler, erişim denetimi, yedekleme ve ölçeklenme. Birçok yapay zekâ çatısı (framework), ikisinin de önünde duran arayüze "vector store" adını verir.

### RAG için vektör veritabanı gerekir mi?

Her zaman değil. RAG bir getirme adımına ihtiyaç duyar; mütevazı bir koleksiyonda bu adım bellekte tam arama, mevcut veritabanınızdaki bir vektör eklentisi ya da bir anahtar kelime indeksi olabilir. Ayrı bir vektör veritabanı, koleksiyon büyük olduğunda, sık değiştiğinde ya da katı filtrelerle çok sayıda kullanıcıya hizmet verdiğinde işe yarar.

### HNSW mi IVF mi: hangi indeks daha iyi?

Her durumda daha iyi olan yok. HNSW genellikle aynı hızda daha yüksek recall verir ama daha çok bellek kullanır ve daha yavaş kurulur; IVF daha hızlı kurulur, daha az bellek kullanır ve çarpım nicemlemeyle birleştiğinde çok büyük koleksiyonları sınırlı RAM'e sığdırır. İkisini de kendi verinizle ve filtrelerinizle test edin.

### Vektör veritabanı ile graf veritabanı arasındaki fark nedir?

Graf veritabanı "bu müşteri bu ürünü satın aldı" gibi açık ilişkileri saklar ve bu ilişkileri izler. Vektör veritabanı ise örtük benzerliği saklar: öğeler, vektörleri birbirine yakın olduğu için "ilişkilidir". Bazı sistemler ikisini birleştirir: başlangıç noktasını vektörlerle bulur, bilinen bağlantıları grafla izler.

### Vektör veritabanı örnekleri nelerdir?

pgvector, eklenti yolunun açık kaynak bir örneğidir: PostgreSQL'e vektör araması ekler. Faiss kütüphane yolunun bir örneğidir; birçok açık kaynak ve yönetilen sistem de ayrı birer vektör veritabanıdır. Hangisinin uygun olduğu verinizin boyutuna, filtrelerinize ve zaten ne kullandığınıza bağlıdır.

### Vektörlerim kaç boyutlu olmalı?

Boyut sayısını embedding modeli belirler; genellikle birkaç yüz ile birkaç bin arasındadır. Daha çok boyut daha fazla ayrıntı taşıyabilir ama orantılı olarak daha çok bellek tutar; büyük indeksin bedelini ödemeden önce daha küçük bir modeli daha büyüğüyle kendi test sorgularınız üzerinde karşılaştırın.

## Özet

Vektör veritabanı, embedding'leri kimlik ve meta veriyle birlikte saklar ve bir sorgu vektörüne en çok benzeyen öğeleri bulur. Küçük koleksiyonlarda tam arama yeterlidir; büyük ölçekte HNSW grafları, IVF kümeleri ve çarpım nicemleme biraz recall karşılığında çok daha hızlı cevap verir, bu yüzden ayarlarını kendi sorgularınız ve filtrelerinizle yapın. Mümkünse zaten kullandığınız veritabanıyla başlayın, birebir dizeler için hibrit aramayı ekleyin ve belleği vektör × boyut × bayt diye hesaplayın. İndeks herkese açık web sayfalarından kuruluyorsa işin yarısı, o sayfaları güncel ve doğru ülkeden alınmış tutmaktır.
