Vektordatenbank

Was ist eine Vektordatenbank?

Eine Vektordatenbank ist eine Datenbank, die auf das Speichern und Durchsuchen von Embeddings spezialisiert ist, also von Zahlenfolgen, die die Bedeutung von Texten oder anderen Inhalten abbilden. Sie findet zu einer Anfrage die inhaltlich ähnlichsten Einträge und ist damit ein Kernbaustein von RAG-Systemen.

Eine klassische Datenbank beantwortet Fragen wie “Alle Kunden mit Postleitzahl 20457” oder “Alle Rechnungen über 1.000 Euro”. Sie vergleicht exakte Werte. Eine Vektordatenbank beantwortet die Frage “Welche Textabschnitte handeln von etwas Ähnlichem wie diese Anfrage?”. Sie vergleicht Positionen im Bedeutungsraum und liefert die nächsten Nachbarn.

Der Bedarf entstand mit den Sprachmodellen. Wer einem Modell wie Claude Firmenwissen mitgeben will, muss zu jeder Frage die passenden Textstellen finden, und zwar schnell, auch wenn der Bestand Millionen von Abschnitten umfasst. Genau dafür sind Vektordatenbanken gebaut.

So funktioniert eine Vektordatenbank

Beim Befüllen erhält die Datenbank für jeden Textabschnitt drei Dinge: das Embedding, also die Zahlenfolge, den Originaltext und Metadaten wie Dokumentname, Datum, Abteilung oder Gültigkeit. Die Datenbank legt die Embeddings in einer Struktur ab, die das Auffinden naher Nachbarn beschleunigt. Ohne diese Struktur müsste bei jeder Suche jeder Eintrag verglichen werden, was bei großen Beständen zu langsam wäre.

Bei der Suche erhält die Datenbank das Embedding der Anfrage und liefert die Einträge zurück, deren Embeddings am nächsten liegen, sortiert nach Ähnlichkeit. Die Suche dauert auch bei sehr großen Beständen nur Millisekunden. Über die Metadaten lässt sich die Suche einschränken: “Nur Dokumente der Abteilung Service, die noch gültig sind.” Diese Filterung ist im Unternehmenskontext oft ebenso wichtig wie die Ähnlichkeitssuche selbst, weil sie Berechtigungen und Aktualität abbildet.

Viele Systeme bieten zusätzlich eine hybride Suche, bei der Ähnlichkeit und klassische Stichwortsuche kombiniert werden. Das gleicht eine Schwäche der reinen Bedeutungssuche aus: Produktnummern, Fachbegriffe und Eigennamen werden über Stichworte oft zuverlässiger gefunden.

Welche Optionen Unternehmen haben

Der Markt bietet drei Wege. Spezialisierte Vektordatenbanken wie Pinecone, Weaviate, Qdrant, Milvus oder Chroma sind für diesen Zweck gebaut und bieten den größten Funktionsumfang. Einige sind Open Source und lassen sich selbst betreiben, andere werden als Cloud-Dienst angeboten.

Der zweite Weg sind Erweiterungen bestehender Datenbanken. Die bekannteste ist pgvector, eine Erweiterung für PostgreSQL. Wer bereits PostgreSQL betreibt, kann Vektorsuche hinzufügen, ohne ein neues System einzuführen. Auch andere Datenbankhersteller haben Vektorfunktionen ergänzt. Für KMU ist dieser Weg häufig der pragmatischste, weil Betrieb, Sicherung und Zugriffsschutz bereits geregelt sind.

Der dritte Weg sind eingebaute Speicher in Werkzeugen und Plattformen. n8n bringt Anbindungen an gängige Vektordatenbanken mit und erlaubt es, einen einfachen Speicher ohne eigene Infrastruktur zu betreiben. Auch Cloud-Plattformen, über die Claude verfügbar ist, bieten passende Dienste. Für Prototypen und kleine Vorhaben reicht das oft aus.

Praxisbeispiel aus dem Unternehmensalltag

Ein Beratungsunternehmen für Fördermittel mit 15 Mitarbeitenden arbeitet mit hunderten Förderrichtlinien von Bund, Ländern und EU, die sich regelmäßig ändern. Bisher wusste jeder Berater über “seine” Programme Bescheid, und Anfragen zu anderen Programmen wanderten durchs Büro.

Das Unternehmen richtet eine Vektordatenbank auf Basis von pgvector ein, weil die Kundendaten bereits in PostgreSQL liegen. Ein n8n-Workflow lädt neue und geänderte Richtlinien von den Behördenseiten, zerlegt sie in Abschnitte, berechnet Embeddings und speichert sie mit Metadaten wie Bundesland, Zielgruppe und Antragsfrist. Ein Berater kann nun fragen: “Gibt es Programme für Digitalisierung im Handwerk in Niedersachsen mit Antragsfrist nach Oktober?” Die Datenbank filtert nach Metadaten, sucht nach Bedeutung und liefert die passenden Abschnitte, aus denen Claude eine Übersicht mit Quellen formuliert. Die Berater prüfen die Treffer, weil Förderbedingungen Detailfragen enthalten, die kein System allein entscheiden sollte. Der Aufbau ist im Artikel Claude und n8n: Prozesse mit KI automatisieren in ähnlicher Form beschrieben.

Bedeutung für kleine und mittelständische Unternehmen

Für KMU ist eine Vektordatenbank kein Selbstzweck, sondern ein Baustein, der erst dann nötig wird, wenn einfachere Mittel nicht mehr reichen. Die Reihenfolge, die sich bewährt hat: zuerst Claude im Team einführen, dann Claude Projects für die wichtigsten Wissensbereiche, und erst bei großen oder dynamischen Beständen ein eigenes System mit Vektordatenbank, wie es der Eintrag zu RAG beschreibt.

Wenn es so weit ist, sollten drei Fragen geklärt werden. Wo laufen die Daten, und ist der Speicherort mit dem Datenschutz vereinbar? Wer betreibt und sichert das System? Und wie kommen neue Dokumente hinein und alte heraus? Die technische Einrichtung ist erfahrungsgemäß der kleinere Teil; der größere ist der Prozess, der die Datenbank aktuell hält.

Die Claude Automatisierung unterstützt bei Auswahl und Aufbau, häufig in Kombination mit n8n als Steuerung, wie auf der Seite Claude und n8n beschrieben. Für strukturierte Daten aus Anwendungen ist eine direkte Anbindung über das Model Context Protocol oft die bessere Alternative zur Vektorsuche.

Vorteile und Grenzen

Vektordatenbanken machen große Textbestände nach Bedeutung durchsuchbar, schnell und mit Filterung nach Metadaten. Sie sind die Grundlage dafür, dass Retrieval Augmented Generation in Unternehmen praktikabel ist.

Die Grenzen: Sie sind ein weiteres System, das betrieben, gesichert und gepflegt werden muss. Sie liefern Ähnlichkeit, keine Gewissheit, und finden exakte Begriffe ohne hybride Suche schlechter als eine Stichwortsuche. Und sie sind nur so gut wie die Embeddings und Dokumente, die man hineinlegt. Wer die Datenbank als Teil eines Wissensprozesses versteht und nicht als Lösung an sich, holt den Nutzen heraus.