Was ist eine Vektordatenbank?

Einfach erklärt

Eine gewöhnliche Suche arbeitet wie ein Stichwortverzeichnis. Sie findet „Heizung“ nur dort, wo „Heizung“ steht. Eine Vektordatenbank ordnet dagegen nach Bedeutung, ähnlich wie eine Bibliothekarin, die Bücher zu verwandten Themen nebeneinander ins Regal stellt. Wer nach „Therme macht Geräusche“ sucht, findet so auch das Protokoll „Gasbrenner pfeift beim Start“, obwohl kein Wort übereinstimmt.

Dafür rechnet ein Programm jeden Text vorher in eine lange Reihe von Zahlen um, ein Embedding. Texte mit ähnlicher Bedeutung bekommen ähnliche Zahlen. Die Vektordatenbank speichert diese Zahlenreihen und findet zu einer Frage die nächstgelegenen.

Wo Sie ihr begegnen

Meist unsichtbar: als Teil eines KI-Assistenten, der in Ihren Dokumenten nachschlägt (siehe RAG), oder als Suche nach Bedeutung in einem Ablage- oder Ticketsystem. Eine eigene Software muss es nicht sein. Es gibt Erweiterungen für Datenbanken, die viele Betriebe ohnehin einsetzen.

Was Sie beachten sollten

Ein Embedding ist keine harmlose Kennzahl. Forschende haben gezeigt, dass sich aus Embeddings große Teile des Ausgangstexts zurückgewinnen lassen, bis hin zu Namen. Behandeln Sie die Vektordatenbank deshalb wie die Dokumente selbst: gleiche Zugriffsrechte, gleiche Löschfristen, gleiche Sorgfalt beim Speicherort. Fragen Sie Ihren IT-Dienstleister, wo die Embeddings liegen und ob ein gelöschtes Dokument auch dort verschwindet.

Was sie nicht leistet

Auf den genauen Wortlaut kommt es bei Rechnungsnummern, Aktenzeichen oder Artikelcodes an. Dafür ist die Volltextsuche gemacht. Eine Vektordatenbank liefert die ähnlichsten Treffer auch dann, wenn keiner wirklich passt. Und sie rechnet nicht: „Rechnungen über 5.000 Euro“ ist eine Abfrage über ein Feld, keine Frage der Ähnlichkeit.

Embeddings und Abstandsmaße

In vielen RAG-Anwendungen liefert die Vektordatenbank die Textabschnitte, die dem Modell mitgegeben werden. Ein Embedding-Modell bildet einen Text auf einen Vektor fester Länge ab. Gesucht werden die nächsten Nachbarn nach einem Abstandsmaß, nicht übereinstimmende Wörter wie bei der Volltextsuche. Die Vektordatenbank Weaviate unterstützt cosine, dot, l2-squared, hamming und manhattan, Vorgabe ist cosine. Der Kosinusabstand ist dort als 1 - cosine_sim(a,b) definiert und liegt zwischen 0 für gleiche und 2 für entgegengesetzte Vektoren. Qdrant, eine weitere Vektordatenbank, normalisiert Vektoren beim Einfügen, sodass der Kosinusvergleich einem Skalarprodukt entspricht.

Näherungssuche mit HNSW

Exakte Suche vergleicht die Anfrage mit jedem gespeicherten Vektor. pgvector, eine Erweiterung für PostgreSQL, sucht ohne Index genau so und erreicht damit vollständigen Recall. Für große Bestände gibt es Näherungsverfahren. HNSW (Hierarchical Navigable Small World, Malkov und Yashunin) baut Schichten von Nachbarschaftsgraphen über verschachtelte Teilmengen der Daten und erreicht so eine logarithmische Skalierung der Suche. Der Preis: Ein Teil der echten nächsten Nachbarn kann fehlen. In pgvector steuert hnsw.ef_search (Vorgabe 40) das Verhältnis von Recall und Geschwindigkeit. Qdrant sucht standardmäßig mit HNSW und erzwingt mit dem Parameter exact einen vollständigen Scan.

CREATE EXTENSION vector;
CREATE TABLE abschnitte (id bigserial PRIMARY KEY, text text, embedding vector(1024));
CREATE INDEX ON abschnitte USING hnsw (embedding vector_cosine_ops);
SELECT id, text FROM abschnitte ORDER BY embedding <=> $1 LIMIT 5;

Die Dimension, hier 1024, muss zur Ausgabe des verwendeten Embedding-Modells passen.

Typische Fehler

• Modell gewechselt, Index behalten. Vektoren verschiedener Embedding-Modelle sind nicht miteinander vergleichbar. Nach einem Wechsel muss der Bestand neu eingebettet werden.
• Filter nach der Näherungssuche. In pgvector wird bei HNSW erst nach dem Indexscan gefiltert. Ein Filter auf 10 Prozent der Zeilen liefert bei ef_search = 40 im Schnitt nur 4 Treffer. Ab Version 0.8.0 gibt es hnsw.iterative_scan. Qdrant empfiehlt Payload-Indizes auf den Feldern (Metadaten), nach denen gefiltert wird.
• Embeddings als anonym behandelt. Morris et al. (2023) haben 92 Prozent von Texten mit 32 Token exakt aus ihren Embeddings rekonstruiert und aus klinischen Notizen vollständige Namen zurückgewonnen. OWASP führt Embedding Inversion in den Top 10 für LLM-Anwendungen 2025 unter LLM08.
• Mehrere Mandanten ohne Trennung. OWASP LLM08 nennt den Abfluss von Informationen zwischen Nutzern gemeinsam genutzter Vektordatenbanken und empfiehlt berechtigungsbewusste Speicher, siehe Rollen und Rechte.

Recall prüfen

Für eine Stichprobe von Anfragen die Treffer der Näherungssuche mit einer exakten Suche vergleichen, in Qdrant etwa mit exact: true. Der Anteil übereinstimmender Treffer ist der Recall der Stichprobe. Sinkt er, ef_search erhöhen oder den Filter prüfen.