WissenKI-Begriffe für Solos
Vektordatenbank einfach erklärt, das Gedächtnis hinter RAG
Eine Vektordatenbank sortiert nicht nach Titel, sondern nach Bedeutung. Was sie technisch von einer normalen Datenbank unterscheidet und warum RAG ohne sie nicht funktioniert.
Eine klassische Bibliothek sortiert Bücher nach Titel oder Autor. Suchst du nach einem Thema statt einem Titel, musst du trotzdem jedes Regal durchgehen. Eine Vektordatenbank sortiert stattdessen nach Bedeutung: Texte zu ähnlichen Themen landen im selben gedanklichen Regal, unabhängig davon, welche Wörter genau darin vorkommen. Suchst du nach einem Thema, findest du das passende Regal sofort.
Kurz gesagt
Eine Vektordatenbank speichert Text nicht direkt, sondern seinen Fingerabdruck aus Zahlen, ein Embedding, das die Bedeutung erfasst. Bei einer Suche wird die Frage in denselben Zahlenraum übersetzt, die Datenbank findet dann die Textstücke, deren Fingerabdruck am ähnlichsten ist, unabhängig von den exakten Wörtern. Genau dieser Suchschritt macht RAG technisch überhaupt möglich.
Der Unterschied zu RAG
Die beiden Begriffe werden oft durcheinandergeworfen, sind aber nicht dasselbe. RAG ist der gesamte Ablauf: deine Frage kommt an, das System sucht relevante Abschnitte, die KI formuliert daraus eine Antwort. Die Vektordatenbank ist darin nur ein einzelnes Teil, der Speicher- und Suchbaustein. Sie entscheidet, welche Textabschnitte überhaupt als Grundlage in Frage kommen, die eigentliche Antwortformulierung übernimmt danach das Sprachmodell.
Wie die Suche technisch funktioniert
Beim Einspeisen deiner Dokumente zerlegt ein System sie zunächst in kleinere Abschnitte. Jeder Abschnitt wird über ein Embedding-Modell in eine lange Liste von Zahlen übersetzt, seinen Fingerabdruck der Bedeutung. Diese Zahlenlisten landen in der Vektordatenbank, zusammen mit dem Originaltext, aus dem sie entstanden sind. Stellst du später eine Frage, wird auch sie in denselben Zahlenraum übersetzt, und die Datenbank berechnet, welche gespeicherten Abschnitte diesem Fingerabdruck am nächsten liegen. Nicht die meisten gemeinsamen Wörter entscheiden, sondern die inhaltliche Nähe, deshalb findet die Suche auch passende Abschnitte, die deine Frage ganz anders formulieren als das Original, etwa Synonyme oder eine andere Satzstruktur.
Wo die Grenze liegt
Eine Vektordatenbank ist nur so gut wie das, was hineinkommt. Schlecht zerlegte Abschnitte, veraltete Dokumente oder ein ungeeignetes Embedding-Modell führen zu schlechten Treffern, auch wenn die Datenbank technisch einwandfrei läuft. Sie versteht außerdem keine Zahlen oder exakten Bedingungen besonders zuverlässig, "Rechnungen über 500 Euro" ist für eine reine Bedeutungssuche schwerer zu greifen als ein inhaltliches Thema, dafür braucht es zusätzliche Filter neben der reinen Ähnlichkeitssuche. Für die meisten Solounternehmer lohnt sich der direkte Umgang mit einer eigenen Vektordatenbank kaum, Tools wie NotebookLM übernehmen genau diesen Baustein unsichtbar im Hintergrund, du merkst davon nur das Ergebnis: eine Antwort, die wirklich auf deinen eigenen Quellen beruht.
Quellen: What is a Vector Database? (Pinecone) · Vector Databases for RAG (IBM)
Häufige Fragen
Ist eine Vektordatenbank dasselbe wie RAG?
Nein. Eine Vektordatenbank ist nur der Speicher- und Suchbaustein. [RAG](/wissen/rag-einfach-erklaert) ist der komplette Prozess drumherum, von der Suche bis zur fertig formulierten Antwort der KI.
Brauche ich als Solounternehmer eine eigene Vektordatenbank?
Selten direkt. Tools wie NotebookLM übernehmen Indexierung und Suche vollständig im Hintergrund. Eine eigene Vektordatenbank lohnt sich erst, wenn du selbst eine Anwendung mit größeren, wiederkehrend durchsuchten Datenmengen baust.
Speichert eine Vektordatenbank auch den Originaltext?
Meistens ja, zusätzlich zum Fingerabdruck aus Zahlen. Nur so kann bei einem Treffer der tatsächliche Textabschnitt zurückgegeben werden, nicht nur seine Position im Bedeutungsraum.
Willst du das bei dir umsetzen?
In der Community zeige ich, was bei mir hält. Im Erstgespräch schauen wir uns dein Vorhaben konkret an.