Vektordatenbank

Klassische Datenbanken beantworten exakte Fragen: alle Kunden aus Nürnberg, alle Rechnungen über 1.000 Euro. Eine Vektordatenbank beantwortet eine andere Art von Frage: Welche gespeicherten Texte sind dieser Anfrage am ähnlichsten? Dafür speichert sie Embeddings, lange Zahlenreihen, die die Bedeutung eines Textes abbilden, und sucht die nächsten Nachbarn.

Für Unternehmen wird das relevant, sobald ein KI-Assistent auf eigene Dokumente zugreifen soll. Dann ist die Vektordatenbank das Archiv, aus dem das System per Retrieval Augmented Generation die passenden Textstellen holt.

Ähnlich statt gleich: was anders ist

In einer Vektordatenbank liegt zu jedem Textabschnitt dreierlei: der Vektor, der Originaltext und Metadaten wie Quelle, Datum oder Dokumenttyp. Eine Anfrage wird mit demselben Embedding-Modell in einen Vektor übersetzt. Die Datenbank sucht dann die Einträge, deren Vektoren am nächsten liegen, meist gemessen per Kosinus-Ähnlichkeit.

Jeden Eintrag mit jeder Anfrage zu vergleichen, wäre bei Millionen Abschnitten zu langsam. Vektordatenbanken nutzen deshalb Indizes für die näherungsweise Nachbarsuche, englisch Approximate Nearest Neighbor. Ein verbreitetes Verfahren sind hierarchische Nachbarschaftsgraphen (HNSW), 2016 von Yury Malkov und Dmitry Yashunin beschrieben (arXiv). Der Preis der Geschwindigkeit: Das Ergebnis ist sehr wahrscheinlich, aber nicht garantiert das exakt beste.

Zusätzlich lassen sich die meisten Vektordatenbanken nach Metadaten filtern: nur Dokumente ab einem bestimmten Stand, nur eine Sprache, nur Inhalte, die der fragende Mitarbeiter sehen darf. Erst diese Kombination aus Bedeutungsnähe und harten Bedingungen macht die Technik für Unternehmensanwendungen brauchbar.

Vom Nischenwerkzeug zum Hype-Thema

Die Grundlagen stammen aus der Forschung zur Ähnlichkeitssuche. Facebook AI Research veröffentlichte 2017 die Bibliothek FAISS samt Paper zur Suche in Milliarden Vektoren (Johnson, Douze, Jégou, arXiv 2017). In den Jahren danach entstanden eigenständige Systeme, die sich ausdrücklich Vektordatenbank nannten; Milvus wurde im Januar 2020 Projekt der Linux-Foundation-Initiative LF AI & Data.

Den Durchbruch brachte ChatGPT. Mit dem RAG-Boom wollten Unternehmen ihre Dokumente durchsuchbar machen, und Vektordatenbanken wurden zur Pflichtkomponente in jeder Architekturfolie. Die Google-Ads-Daten zeigen den Sprung: In Deutschland stieg die Nachfrage nach „vektordatenbank“ und „vector database“ von 750 Suchen im März 2023 auf 3.740 im April 2023. 2026 liegt sie zwischen 1.700 und 3.200, mit leicht fallender Tendenz.

Der Rückgang hat einen sachlichen Grund. Vektorsuche ist keine Spezialität mehr: PostgreSQL bietet sie über die Erweiterung pgvector, Suchmaschinen wie Elasticsearch und Cloud-Data-Warehouses haben sie eingebaut, Google beschreibt etwa die Vektorsuche in BigQuery (Google Cloud: Introduction to embeddings and vector search).

Woran eine gute Vektorsuche scheitert

Die Datenbank selbst ist selten das Problem. Schwierig wird es bei dem, was hineinkommt und wie gesucht wird. Drei typische Fehlerquellen:

• Fehlende Metadaten. Ohne Angaben zu Stand und Gültigkeit findet die Suche die Garantiebedingungen von 2022 genauso gut wie die aktuellen, denn inhaltlich sind sie fast gleich.
• Ungünstige Abschnitte. Sind Dokumente zu grob oder zu fein zerlegt, passen die Vektoren schlecht zur Frage. Wie man Texte sinnvoll aufteilt, beschreibt der Eintrag Chunking.
• Fehlende Rechte. Eine Vektordatenbank kennt von sich aus keine Zugriffsrechte. Wer Personaldokumente und Vertriebsunterlagen in denselben Index legt, muss Filter für Berechtigungen einbauen.

Viele Systeme sortieren die Treffer der Vektorsuche anschließend mit einem zweiten Modell neu, um die Reihenfolge zu verbessern. Dieser Schritt heißt Reranking.

Brauchen Sie eine Vektordatenbank?

Für Ihre Sichtbarkeit in KI-Suchen nicht. ChatGPT, Perplexity und Google betreiben ihre eigenen Indizes. Ihre Aufgabe ist, dass Ihre Seiten dort gefunden werden; wie das funktioniert, beschreibt der Beitrag GEO-Optimierung: In ChatGPT und Google AI Mode sichtbar.

Für eigene KI-Anwendungen hängt es von Menge und Infrastruktur ab. Ein Assistent für wenige Dutzend Dokumente kommt oft ohne eigene Datenbank aus, weil die Inhalte direkt ins Kontextfenster passen oder die KI-Plattform die Ablage übernimmt. Ab Tausenden Dokumenten mit Rechten und Versionen lohnt eine saubere Vektorsuche, bevorzugt in einer Datenbank, die Ihre IT ohnehin betreibt.

Ein Beispiel aus dem Maschinenbau

Zur Veranschaulichung, kein echter Fall: Ein Hersteller legt 12.000 Seiten Handbücher, Richtlinien und FAQ in eine Vektorsuche. Im Test antwortet der Service-Assistent auf die Frage nach der Garantie mit der alten Frist, weil die archivierte Fassung knapp vor der aktuellen liegt. Die Lösung ist kein anderes Datenbankprodukt, sondern ein Metadatenfeld „gültig ab“ und ein Filter, der nur aktuelle Dokumente zulässt.