Eine Vektordatenbank ist ein Datenspeicher, der speziell auf das effiziente Speichern, Indizieren und Durchsuchen hochdimensionaler Vektoren — typischerweise Embeddings — ausgelegt ist. Im Kern stellt sie die Operation "Approximate Nearest Neighbor Search" (ANN) bereit: Zu einem Such-Vektor sollen die k ähnlichsten Vektoren in einer Sammlung mit Millionen oder Milliarden Einträgen schnell gefunden werden, meist über Cosine Similarity, Inner Product oder L2-Distanz. Indexstrukturen wie HNSW, IVF (Inverted File Index), PQ (Product Quantization), DiskANN, ScaNN und Vamana machen dies effizient, mit gut steuerbaren Trade-offs zwischen Genauigkeit (Recall), Latenz und Speicherverbrauch.
Eingesetzt werden Vektordatenbanken in semantischer Suche, RAG-Pipelines, Empfehlungssystemen, Bild- und Multimodal-Suche, Anomalie-Erkennung, Personalisierung und Plagiats-Erkennung. Bekannte Produkte und Bibliotheken sind Pinecone, Weaviate, Qdrant, Milvus, Vespa, Chroma, FAISS (Meta), Annoy (Spotify) sowie Erweiterungen klassischer Datenbanken wie pgvector (PostgreSQL), Vector Search in Azure AI Search, Amazon OpenSearch, Elastic, MongoDB Atlas Vector Search und Cosmos DB Vector Search.
Der Kern des Problems liegt in dem Mismatch zwischen klassischer relationaler Suche und Embeddings. Relationale Datenbanken oder reine Volltextsysteme können Vektorähnlichkeit zwar mit naiver Suche berechnen, sind aber bei Millionen Vektoren und niedriger Latenz nicht praktikabel. Vektordatenbanken bringen spezialisierte Indexstrukturen, Quantisierung und horizontal skalierende Architekturen mit. Gleichzeitig sind sie kein Ersatz, sondern eine Ergänzung relationaler Systeme; in vielen produktiven Setups werden Vektor- und Volltextsuche kombiniert (Hybrid Retrieval) und durch Filter auf Metadaten ergänzt.
Historisch hat die ANN-Forschung eine lange Tradition (Locality-Sensitive Hashing in den 1990er-Jahren, FAISS bei Facebook ab 2017). Die heutige Welle dedizierter Vektordatenbanken setzte ab etwa 2019 mit Pinecone, Milvus und Weaviate ein und gewann durch den LLM- und RAG-Boom 2022/2023 enorm an Tempo. Klassische Datenbanken haben innerhalb weniger Jahre Vektor-Indexe nachgerüstet — pgvector (PostgreSQL) wurde 2021 veröffentlicht und gilt seitdem als pragmatische Alternative zu spezialisierten Diensten in vielen Setups.
2023 erlebten reine Vektordatenbank-Anbieter einen kurzen Hype mit hohen Bewertungen, gefolgt von einer schnellen "Konsolidierungsphase", in der klassische Datenbanken Vektor-Funktionen integrierten und damit den eigenständigen Vektor-DBs Druck machten.