Eine Vektordatenbank ist ein Speichersystem, das Texte, Bilder oder andere Daten als Embeddings — lange Zahlenreihen, die den Bedeutungsgehalt abbilden — ablegt und zu einer Anfrage die inhaltlich ähnlichsten Einträge zurückgibt. Sie ist der Baustein, ohne den ein Wissensassistent auf eigenen Dokumenten nicht funktioniert.
Funktionsweise
Ein Embedding-Modell wandelt jeden Textabschnitt in einen Vektor um — typischerweise mehrere hundert bis über tausend Zahlen. Inhaltlich ähnliche Abschnitte liegen in diesem Zahlenraum nah beieinander. Bei einer Frage wird auch die Frage in einen Vektor umgewandelt; die Datenbank sucht per Ähnlichkeitsmaß (meist Kosinus-Ähnlichkeit) die nächstgelegenen Einträge. Damit das bei Millionen Einträgen schnell bleibt, arbeiten Vektordatenbanken mit Näherungsverfahren (Approximate Nearest Neighbor, z. B. HNSW) statt mit exaktem Durchsuchen.
Abgrenzung zur klassischen Datenbank
Eine klassische SQL-Datenbank sucht nach exakten Werten oder Stichwörtern („WHERE name = ‘Müller’”). Eine Vektordatenbank sucht nach Bedeutung: Die Anfrage „Wie kündige ich?” findet auch einen Abschnitt, in dem nur „Vertragsauflösung” steht — ohne dass ein Wort übereinstimmt. Diese semantische Suche ist die Grundlage von RAG, bei dem ein LLM seine Antwort auf gefundenen Firmendokumenten aufbaut statt nur auf Trainingswissen.
Verbreitete Anbieter
| System | Betrieb | Herkunft |
|---|---|---|
| Qdrant | Open Source / Cloud | Deutschland |
| Weaviate | Open Source / Cloud | Niederlande |
| Chroma | Open Source | USA |
| Pinecone | nur Cloud | USA |
| pgvector | Erweiterung für PostgreSQL | Open Source |
Qdrant und Weaviate lassen sich selbst hosten — relevant, wenn Dokumente die EU nicht verlassen sollen. Pinecone ist ein reiner Cloud-Dienst. Wer bereits PostgreSQL betreibt, kann mit der Erweiterung pgvector oft ohne zusätzliches System starten.
Einordnung für den Mittelstand
Für kleinere Anwendungen ist eine eigene Vektordatenbank oft nicht nötig: Viele Automatisierungswerkzeuge und Baukästen bringen einfache Varianten mit. Eine dedizierte Lösung lohnt sich, sobald der Dokumentenbestand groß wird, mehrere Anwendungen darauf zugreifen oder eine Zugriffssteuerung nötig ist. Der Standort des Anbieters ist bei personenbezogenen oder vertraulichen Inhalten mitentscheidend — siehe EU AI Act und die Datenschutzfrage bei Cloud-KI.
Grenzen
Eine Vektordatenbank findet Ähnliches, nicht zwingend Richtiges: Sie liefert die nächstgelegenen Abschnitte, auch wenn keiner die Frage wirklich beantwortet. Zahlen, Datumsangaben und exakte Filter (z. B. „nur Verträge aus 2025”) sind eine Schwäche der reinen Vektorsuche — hier kombiniert man sie meist mit klassischen Filtern. Und schließlich verursachen Embedding-Erzeugung und Speicherung laufende Kosten; wie sich das rechnet, steht unter was KI kostet.
Häufige Fragen
Braucht man immer eine eigene?
Für kleinere Anwendungen nicht — viele Automatisierungswerkzeuge bringen einfache Varianten mit.
Welche sind verbreitet?
Qdrant, Weaviate, Pinecone und Chroma; auch PostgreSQL kann das über Erweiterungen.
Was ist der Unterschied zu einer normalen Datenbank?
Eine klassische SQL-Datenbank sucht nach exakten Werten oder Stichwörtern, eine Vektordatenbank nach Bedeutung: Die Anfrage „Wie kündige ich?“ findet auch einen Abschnitt, in dem nur „Vertragsauflösung“ steht — ohne ein übereinstimmendes Wort. Diese semantische Suche ist die Grundlage von RAG.
Kann man eine Vektordatenbank selbst hosten?
Ja — Qdrant und Weaviate lassen sich selbst betreiben, was relevant ist, wenn Dokumente die EU nicht verlassen sollen. Wer bereits PostgreSQL einsetzt, kann mit der Erweiterung pgvector oft ohne zusätzliches System starten; Pinecone ist dagegen ein reiner Cloud-Dienst.
Wovon hängt die Qualität der Suche ab?
Weniger von der Datenbank selbst als vom Embedding-Modell und davon, wie die Dokumente in Abschnitte zerlegt werden — zu große oder zu kleine Abschnitte verschlechtern die Treffer merklich. Zudem findet die Vektorsuche Ähnliches, nicht zwingend Richtiges.
Ab wann lohnt sich eine dedizierte Vektordatenbank?
Sobald der Dokumentenbestand groß wird, mehrere Anwendungen darauf zugreifen oder eine Zugriffssteuerung nötig ist. Für kleinere Anwendungen reichen oft die einfachen Varianten, die viele Automatisierungswerkzeuge und Baukästen mitbringen.