Vector Store

Ein Vector Store ist eine Datenbank, die Informationen als sogenannte Vektoren ablegt — also als geordnete Listen von Zahlen. Ein KI-System wandelt dafür Texte, Bilder oder andere Inhalte in solche Zahlenlisten um. Zwei inhaltlich ähnliche Texte landen dabei als ähnliche Zahlenlisten im Speicher. Das klingt abstrakt, hat aber einen praktischen Effekt: Die Datenbank kann zu einer neuen Frage finden, welche gespeicherten Einträge inhaltlich am nächsten liegen — nicht nach Schlüsselwörtern, sondern nach Bedeutung. Deshalb eignet sich ein Vector Store besonders gut als Langzeitgedächtnis für KI-Anwendungen.

Bedeutung für moderne KI-Systeme

Große Sprachmodelle — also KI-Systeme, die Text verstehen und erzeugen können — haben ein grundsätzliches Problem: Sie können nur eine begrenzte Menge Text auf einmal verarbeiten. Dieses Limit heißt Kontextfenster. Ein Modell kann also nicht gleichzeitig tausend Dokumente im Blick halten, selbst wenn sie relevant wären.

Ein Vector Store löst dieses Problem elegant. Er durchsucht vorab alle gespeicherten Dokumente und liefert nur die relevantesten Stellen ans Modell. Das Modell bekommt dann nicht die gesamte Wissensbasis, sondern einen gezielten Ausschnitt. Diese Kombination aus Datenbank-Suche und Sprachmodell nennt man Retrieval-Augmented Generation, kurz RAG.

Ohne Vector Stores wäre es kaum möglich, ein Sprachmodell mit unternehmenseigenen Dokumenten, aktuellen Nachrichten oder privaten Notizen zu verknüpfen — zumindest nicht effizient. Der Vector Store macht Wissen außerhalb des Modells durchsuchbar, ohne das Modell selbst neu trainieren zu müssen.

Wie die Suche nach Bedeutung funktioniert

Bevor Texte im Vector Store landen, werden sie durch ein sogenanntes Embedding-Modell geschickt. Dieses Modell übersetzt Sprache in Zahlenlisten — typischerweise mit mehreren hundert bis tausend Einträgen pro Liste. Der Trick: Ähnliche Bedeutungen ergeben ähnliche Zahlenlisten. « Hund » und « Welpe » landen rechnerisch näher beieinander als « Hund » und « Aktie ».

Kommt eine Suchanfrage herein, wird auch sie in eine solche Zahlenliste umgewandelt. Der Vector Store vergleicht sie dann mit allen gespeicherten Listen und gibt die ähnlichsten zurück. Dieser Vergleich läuft mathematisch über den Abstand zwischen Punkten im mehrdimensionalen Raum — ein Konzept aus der Geometrie, hier auf Sprache angewendet.

Ein wichtiger Unterschied zu klassischen Suchmaschinen: Eine normale Datenbanksuche findet nur exakte Treffer oder bekannte Schlüsselwörter. Ein Vector Store findet auch Inhalte, die denselben Gedanken anders formulieren. Sucht man nach « Was kostet ein Zugticket nach Berlin? », kann er einen Eintrag finden, der nur von « Bahnpreisen » und « Hauptstadt » spricht — weil die Bedeutung nah genug ist.

Vector Stores in Produkten und der Berichterstattung

In der Praxis tauchen Vector Stores überall dort auf, wo KI mit großen, wechselnden Wissensmengen arbeitet. Unternehmens-Chatbots, die interne Handbücher kennen sollen, nutzen sie genauso wie juristische Recherchetools, die tausende Gerichtsurteile durchsuchen. Bekannte Softwareprojekte in diesem Bereich sind Pinecone, Weaviate, Chroma und Qdrant — letzteres ist quelloffen, also für jeden kostenlos nutzbar.

Auch OpenAI hat einen integrierten Vector Store in seine Assistants-API eingebaut, damit Entwickler Dokumente direkt hochladen und durchsuchbar machen können. In der Tech-Presse fällt der Begriff oft im Zusammenhang mit RAG-Systemen oder dem Aufbau sogenannter Knowledge Bases — also strukturierter Wissenssammlungen für KI-Anwendungen.

Ein häufiger Irrtum: Viele denken, ein Vector Store ersetze das Sprachmodell oder sei selbst eine KI. Tatsächlich ist er nur eine Datenbank — allerdings eine, die auf die Eigenheiten von KI-generierten Zahlendarstellungen zugeschnitten ist. Die eigentliche Intelligenz liegt weiterhin im Modell. Der Vector Store sorgt nur dafür, dass das Modell die richtigen Informationen zur richtigen Zeit bekommt.