Hvad er en vektordatabase?
En vektordatabase er et lagrings- og søgesystem optimeret til at finde de embeddings, der ligner et givet spørgsmål mest. I stedet for rækker og kolonner med tekst gemmer den vektorer og returnerer de nærmeste naboer på millisekunder, også når I har millioner af dokumentstykker. I en RAG-arkitektur er det komponenten, der besvarer: hvilke passager skal modellen læse, før den svarer?
Vektordatabase er ikke jeres system-of-record
Vi ser ofte vektordatabaser beskrevet, som om de erstatter jeres dokumentarkiv eller CRM. Det gør de ikke. De indeholder et søgeindeks af embeddings, som skal genbygges eller opdateres, når kildedokumenterne ændres. Sandheden ligger stadig i de systemer, I allerede har; vektordatabasen er et accelerationslag til semantisk søgning og RAG.
Det har konsekvenser for drift: hvem ejer indekset, hvornår re-indekseres det, og hvordan logges det, hvis et svar bygger på en forældet chunk?
Hvornår har I brug for en dedikeret vektordatabase?
- Mange dokumenter og hyppige forespørgsler, hvor hastighed betyder noget.
- Flere kilder (SharePoint, Confluence, sagssystem) samlet i ét søgelag.
- Finmasket adgangsstyring: brugeren må kun få hits fra dokumenter, vedkommende har ret til at se.
Mindre løsninger kan starte med en enklere indeksstruktur indlejret i jeres applikation. Skift først til en dedikeret vektordatabase, når volumen eller latency gør det nødvendigt, ikke fordi buzzwordet dukkede op i en salgspræsentation.
Design indekset sammen med RAG-flowet
Beslut chunk-størrelse, metadata (afdeling, dokumenttype, gyldighed) og hvordan embeddings opdateres, når kilden ændres. Test med rigtige brugerspørgsmål, ikke med demo-spørgsmål, I selv har skrevet. Et godt indeks gør hallucinationskontrol lettere, fordi modellen får de rigtige kilder, ikke bare de nærmeste tilfældige stykker tekst.
Se hvordan vi bygger interne AI-assistenter med søgning i egne dokumenter som del af et større flow.