Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Vektordatenbank

Eine Vektordatenbank speichert Embeddings zusammen mit ihren Quelldatensätzen und findet die gespeicherten Vektoren, die einem Abfragevektor am nächsten liegen, meist mit einem approximativen Index, damit die Suche über Millionen von Einträgen schnell bleibt.

Auch: vector store, vector DB

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Eine normale Datenbank beantwortet „finde Zeilen, in denen status = open“. Eine Vektordatenbank beantwortet „finde die Einträge, die diesem am ähnlichsten sind“, wobei Ähnlichkeit zwischen Embeddings gemessen wird. Sie ist die Speicherschicht hinter den meisten Systemen für Retrieval-Augmented Generation, semantischer Suche und Empfehlungsfunktionen.

Was sie tut

Sie speichert jeden Vektor mit einer ID und Metadaten wie Quelle, Datum oder Besitzer. Sie baut einen Index, oft HNSW, für die Suche nach Approximate Nearest Neighbors. Sie verarbeitet außerdem Einfügungen, Aktualisierungen und Löschungen und lässt dich Ähnlichkeit mit Metadatenfilterung kombinieren.

Optionen

Manche Produkte sind nur für Vektoren gebaut, etwa Pinecone, Qdrant und Milvus. Andere ergänzen eine Datenbank, die du vielleicht schon betreibst, um Vektorsuche, etwa pgvector für Postgres. Bibliotheken wie Faiss liefern den Index ohne die Datenbankteile, sodass du dich selbst um Speicherung, Aktualisierungen und Filterung kümmerst. Der Leitfaden zu Vektordatenbanken vergleicht sie.

Unterschied zu einem Vektorindex

Ein Index ist die Datenstruktur, die die Suche schnell macht. Eine Datenbank umhüllt diesen Index mit Dauerhaftigkeit, Zugriffskontrolle, Replikation und einer API. Für einen Prototyp mit einigen tausend Vektoren reicht oft ein Index im Arbeitsspeicher oder sogar ein Brute-Force-Durchlauf.

Grenzen

Die Ergebnisse sind approximativ, daher kann ein kleiner Teil der echten Nachbarn fehlen. Viele Produkte unterstützen auch Stichwort- oder hybride Suche, was bei exakten Begriffen hilft, mit denen Embeddings schlecht umgehen.

Verwandte Begriffe

HNSW
HNSW (Hierarchical Navigable Small World) ist ein graphbasierter Index für die approximative Nächste-Nachbarn-Suche. Er verknüpft Vektoren über mehrere Ebenen mit ihren Nachbarn, sodass eine Suche schnell zu den nächstgelegenen Treffern springen kann.
Embedding
Ein Embedding (Einbettung) ist eine Liste von Zahlen (ein Vektor), die ein Stück Text, ein Bild oder andere Daten repräsentiert und so erzeugt wird, dass Elemente mit ähnlicher Bedeutung nahe beieinanderliegende Vektoren erhalten.
Approximative Nächste-Nachbarn-Suche
Die approximative Nächste-Nachbarn-Suche (Approximate Nearest Neighbor, ANN) findet Vektoren nahe an einer Anfrage, ohne jeden gespeicherten Vektor zu prüfen. Sie verzichtet auf die Garantie des exakt besten Treffers und sucht dafür in großen Sammlungen viel schneller.
Vektorsuche
Vektorsuche (Vector Search) findet Einträge, indem sie ihre Embeddings mit dem Embedding einer Abfrage vergleicht und die nächstgelegenen zurückgibt. Ergebnisse passen so nach Bedeutung statt nach gemeinsamen Stichwörtern.
Metadatenfilterung
Metadatenfilterung beschränkt eine Suche auf Einträge, deren gespeicherte Attribute wie Datum, Autor, Sprache oder Zugriffsgruppe bestimmte Bedingungen erfüllen, zusätzlich zur oder vor der Rangfolge nach Vektorähnlichkeit.
Hybride Suche
Hybride Suche (Hybrid Search) führt zu derselben Anfrage eine Stichwortsuche und eine Vektorsuche aus und führt die beiden Ergebnislisten zusammen, sodass Treffer sowohl über exakte Wörter als auch über Bedeutung passen können.

Quellen