벡터 데이터베이스(Vector database)
벡터 데이터베이스(vector database)는 임베딩을 원본 레코드와 함께 저장하고, 쿼리 벡터에 가장 가까운 저장된 벡터를 찾습니다. 보통 근사 인덱스를 써서 수백만 개 항목에서도 검색이 빠르게 유지됩니다.
다른 이름: vector store, vector DB
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
일반 데이터베이스는 "status = open인 행을 찾아라"에 답합니다. 벡터 데이터베이스는 "이것과 가장 비슷한 항목을 찾아라"에 답하며, 유사도는 임베딩 사이에서 측정합니다. 대부분의 검색 증강 생성 시스템, 시맨틱 검색, 추천 기능 뒤에 있는 저장 계층입니다.
하는 일
각 벡터를 ID, 그리고 출처, 날짜, 소유자 같은 메타데이터와 함께 보관합니다. 근사 최근접 이웃 검색을 위해 흔히 HNSW 인덱스를 만듭니다. 삽입, 갱신, 삭제도 처리하며, 유사도와 메타데이터 필터링을 결합할 수 있게 합니다.
선택지
Pinecone, Qdrant, Milvus처럼 벡터 전용으로 만든 제품이 있습니다. Postgres용 pgvector처럼 이미 운영 중일 수 있는 데이터베이스에 벡터 검색을 더하는 것도 있습니다. Faiss 같 은 라이브러리는 데이터베이스 부분 없이 인덱스만 제공하므로 저장, 갱신, 필터링은 직접 처리해야 합니다. 벡터 데이터베이스 가이드에서 이들을 비교합니다.
벡터 인덱스와의 차이
인덱스는 검색을 빠르게 만드는 자료 구조입니다. 데이터베이스는 그 인덱스를 내구성, 접근 제어, 복제, API로 감쌉니다. 벡터가 수천 개인 프로토타입이라면 메모리 내 인덱스나 심지어 전수 탐색으로도 충분한 경우가 많습니다.
한계
결과는 근사치이므로 실제 이웃 중 일부를 놓칠 수 있습니다. 많은 제품이 키워드 검색이나 하이브리드 검색도 지원하며, 이는 임베딩이 잘 다루지 못하는 정확한 용어에 도움이 됩니다.
관련 용어
- HNSW
- HNSW(hierarchical navigable small world)는 근사 최근접 이웃 검색을 위한 그래프 기반 인덱스입니다. 벡터를 여러 층에 걸쳐 이웃과 연결해, 검색이 가장 가까운 결과 쪽으로 빠르게 건너뛸 수 있게 합니다.
- 임베딩
- 임베딩(embedding)은 텍스트, 이미지, 기타 데이 터를 나타내는 숫자 목록(벡터)으로, 의미가 비슷한 항목끼리 가까운 벡터를 갖도록 만들어집니다.
- 근사 최근접 이웃 검색
- 근사 최근접 이웃(ANN, approximate nearest neighbor) 검색은 저장된 모든 벡터를 확인하지 않고 질의와 가까운 벡터를 찾는 방법입니다. 정확한 최적의 결과라는 보장을 포기하는 대신, 대규모 컬렉션에서 훨씬 빠르게 검색합니다.
- 벡터 검색(Vector search)
- 벡터 검색(vector search)은 항목의 임베딩을 쿼리의 임베딩과 비교해 가장 가까운 것을 돌려주는 방식으로 항목을 찾습니다. 그래서 결과가 공통 키워드가 아니라 의미로 일치합니다.
- 메타데이터 필터링(Metadata filtering)
- 메타데이터 필터링(metadata filtering)은 날짜, 작성자, 언어, 접근 그룹 같은 저장된 속성이 주어진 조건에 맞는 항목으로 검색을 제한하는 것으로, 벡터 유사도 순위 매기기와 함께 또는 그 전에 적용합니다.
- 하이브리드 검색
- 하이브리드 검색(hybrid search)은 같은 질의로 키워드 검색과 벡터 검색을 함께 실행하고 두 순위 목록을 합쳐, 결과가 정확한 단어와 의미 모두로 일치할 수 있게 합니다.