---
term: "Vector Database"
slug: "vector-database"
glossar_id: "G285"
variants: ["Vector Store"]
category: "embeddings-suche-und-retrieval-augmented-generation"
marker: ""
short: "Speicher mit Funktionen zum Indexieren und Suchen von Vektoren."
sources:
  - label: "Pan et al.: Survey of Vector Database Management Systems"
    url: "https://arxiv.org/abs/2310.14021"
  - label: "Sentence Transformers: Semantic Search"
    url: "https://sbert.net/examples/applications/semantic-search/README.html"
status: "entwurf"
updated: "2026-09-21"
---

Eine Vector Database speichert Embeddings und beantwortet die Frage, welche gespeicherten Vektoren einem gesuchten am ähnlichsten sind. Eine Übersichtsarbeit zählt über zwanzig solcher Systeme, die alle innerhalb weniger Jahre entstanden sind, während die zugrunde liegende Ähnlichkeitssuche schon Jahrzehnte erforscht wird. [Pan et al.](https://arxiv.org/abs/2310.14021)

## Die Schwierigkeiten liegen in der Größe und in der Mischung

Dieselbe Arbeit nennt fünf Kernprobleme: die Unschärfe inhaltlicher Ähnlichkeit, die Größe der Vektoren, die hohen Kosten jedes Vergleichs, das Fehlen einer natürlichen Aufteilung für die Indexierung und die Schwierigkeit, Anfragen zu beantworten, die Vektoren und herkömmliche Merkmale kombinieren.

Der letzte Punkt ist im Alltag der wichtigste. Praktisch nützlich wird eine solche Suche meist erst mit Einschränkungen wie Sprache, Zeitraum oder Zugriffsrechten, und genau diese Mischung ist technisch aufwendig.

## So kannst du dir das vorstellen

Eine Vektordatenbank ist ein Regal, das nach Ähnlichkeit sortiert ist statt nach Titel. Du legst einen Text hin und bekommst die Nachbarn zurück. Ob diese Nachbarn wirklich zur Frage passen, entscheidet das Regal nicht. Das Bild erklärt die Zugriffsart, nicht die Qualität der Treffer.

## Was es in der Praxis bedeutet

Für kleine Bestände braucht es keine eigene Datenbank. Bibliotheken für Satzrepräsentationen rechnen bis in den Bereich von etwa einer Million Einträgen mit direkter Suche im Arbeitsspeicher. [Sentence Transformers: Semantic Search](https://sbert.net/examples/applications/semantic-search/README.html) Auch viele verbreitete Datenbanken können inzwischen Vektoren speichern und durchsuchen.

Die Entscheidung hängt deshalb weniger an der Technik als an der Betriebsfrage: Wer pflegt den Bestand, wie werden Änderungen nachgezogen, wie kommen Rechte an die Treffer, und was passiert beim Wechsel des Embedding-Modells, wenn alles neu berechnet werden muss.

## Wo es verwechselt wird

Die Datenbank ist der Speicher, nicht das Verfahren: Vector Search beschreibt die Suche, die darauf läuft. Und sie ersetzt keine klassische Datenbank, sondern kommt meist neben einer zum Einsatz.

## Verwandte Begriffe

**Vector Search**, **Embedding**, **Approximate Nearest Neighbor**, **HNSW**, **Metadata Filtering**, **Retrieval-Augmented Generation**.