Vektor-Datenbank

Gängige Vektor-Datenbanken

• pgvector — PostgreSQL-Erweiterung, integriert in eine Standard-Relational-DB. Pragmatischer Standard für mittelgroße Anwendungen.
• Pinecone — Managed-Service, einfacher Einstieg, kommerziell.
• Weaviate — Open-Source, mit eingebauten Modulen für Hybrid-Search.
• Milvus — Open-Source, sehr skalierbar (Milliarden Vektoren).
• Qdrant — Open-Source, Rust-basiert, schnell und resourceneffizient.
• Elasticsearch / OpenSearch mit Vector Search — wer bereits Volltext-Suche im Stack hat, kann Vektor-Suche integriert mitfahren.

Wo Vektor-Datenbanken in der KI-Pipeline sitzen

In einer typischen RAG-Architektur: (1) Quellen werden in Chunks geschnitten (z.B. pro H2-Sektion). (2) Pro Chunk wird ein Embedding erzeugt und in die Vektor-DB geschrieben, zusammen mit Meta (URL, Datum, Autor). (3) Bei einer User-Anfrage wird die Frage selbst in einen Vektor gewandelt und in der Vektor-DB die K nächsten Chunks gesucht. (4) Diese Chunks werden ans LLM gegeben, das daraus eine Antwort verfasst und die Original-URLs als Citations referenziert.

Vektor-DB in Rankmio

Rankmio nutzt pgvector in einer separaten PostgreSQL-Datenbank für die Chat-Agent-RAG-Pipeline: Glossar-Einträge, Manual-Sektionen, FAQ-Antworten und User-Projekt-Daten werden als Chunks eingespiesen, sodass der Chat-Agent bei jeder Anfrage die thematisch passendsten Wissens-Stücke abrufen kann — ohne den vollen Inhalt in jedes LLM-Prompt mitsenden zu müssen. Effekt: Schnellere, präzisere, billigere Antworten als ohne RAG.