Vektordatenbank
Definition
Eine Vektordatenbank ist eine Datenbank, die Embeddings speichert, also Zahlenlisten, die die Bedeutung von Text abbilden, und schnell die Einträge findet, die einer neuen Frage am nächsten sind. In vielen RAG-Systemen passiert dort der Suchschritt.
Von Ronan Liedmeier, Fractional Head of Growth und Kursautor · Veröffentlicht 17. Oktober 2026 · Zuletzt aktualisiert 17. Oktober 2026
Auch genannt: Vector Database, Vector Store, Vektor-DB
Wächst eine Wissensbasis, wird es langsam, eine Frage einzeln mit jedem Textabschnitt zu vergleichen. Eine Vektordatenbank erledigt diesen Vergleich schnell.
Der Unterschied zu einer normalen Datenbank
Eine normale Datenbank findet exakte Treffer: den Kunden mit der ID 4417, alle Bestellungen mit dem Status „offen“. Eine Vektordatenbank findet die nächstgelegenen Treffer nach Bedeutung und gibt sie sortiert zurück, den nächsten zuerst. Fragst du nach der „Frist, um einen Vertrag zu beenden“, kann sie eine Klausel liefern, in der steht: „Die Kündigung bedarf einer schriftlichen Mitteilung mit 60 Tagen Vorlauf.“
Jeder gespeicherte Eintrag hat drei Teile: das Embedding, den Originaltext und Metadaten wie Quelldokument, Abschnitt, Datum und Zugriffsstufe. Mit den Metadaten grenzt du eine Suche ein, bevor sortiert wird. Manche Teams rüsten eine Datenbank, die sie schon betreiben, mit Vektorsuche nach, statt ein eigenes Produkt einzuführen.
Beispiel
Die Rechtsabteilung eines Mittelständlers speichert jede Klausel aus ihren unterschriebenen Verträgen, mit Metadaten zu Kunde, Vertragsart und Status. Eine Juristin sucht Klauseln zur Kündigung ohne Angabe von Gründen. Die Abfrage wird zuerst auf einen Kunden und auf aktive Verträge gefiltert und dann nach Ähnlichkeit sortiert. So bekommt sie die vier passenden Klauseln statt jeder Kündigungsklausel im Haus.
Häufiger Fehler
Metadatenfilter ignorieren, vor allem Berechtigungen. Achtet die Suche nicht darauf, wer fragt, bekommt ein Vertriebsmitarbeiter in einer KI-Antwort womöglich Passagen aus Personalakten oder Vorstandsprotokollen. Speichere bei jedem Textabschnitt die Zugriffsstufe und filtere danach, bevor irgendein Ergebnis beim Modell ankommt.
In AI Academy lernen
- RAG: Wann es die richtige Lösung istExperte · 9 Min.
- RAG für einen DokumentensatzFortgeschritten · 16 Min.Kostenlos
Verwandte Begriffe
- Embedding
- Ein Embedding ist eine Liste von Zahlen, die die Bedeutung eines Textes abbildet, damit ein Computer messen kann, wie ähnlich sich zwei Texte sind. Texte mit derselben Aussage bekommen ähnliche Zahlen, auch wenn sie andere Wörter verwenden.
- Retrieval-Augmented Generation (RAG)
- Retrieval-Augmented Generation (RAG) ist ein Verfahren, mit dem ein KI-Modell aus deinen eigenen Dokumenten antwortet. Zuerst findet eine Suche die Textstellen, die zur Frage passen, dann schreibt das Modell seine Antwort auf Basis dieser Stellen.
- Semantische Suche
- Semantische Suche ist eine Suche nach Bedeutung statt nach exakten Wörtern, die auch Textstellen findet, die deine Frage mit anderen Worten beantworten. Meist vergleicht sie dafür Embeddings, also Zahlenreihen, die erfassen, was ein Text bedeutet.
- Chunking
- Chunking ist das Zerlegen langer Dokumente in kleinere Stücke, bevor sie in ein RAG-System gehen, damit eine Suche genau den passenden Teil findet. Wo du den Text schneidest, entscheidet, ob jedes Stück für sich noch Sinn ergibt.