Was dieser Artikel behandelt
- Was Vektordatenbanken sind und wofür sie eingesetzt werden.
- Vergleich von Chroma und Qdrant.
- Verweise auf die Artikel zu Chroma und Qdrant.
Einleitung
Vektordatenbanken speichern Embeddings und ermöglichen schnelle Ähnlichkeitssuchen. Für RAG sind sie unverzichtbar, denn sie finden die Textstellen, die zum Prompt passen. Lokal betrieben eignen sich besonders Chroma und Qdrant.
Inhalt
- Chroma - Einfache, Python-nahe Vektordatenbank.
- Qdrant - Skalierbare Vektordatenbank mit REST- und gRPC-API.
- Weaviate - Vektordatenbank mit GraphQL-API und Hybrid Search.
- Milvus - Hochperformante Vektordatenbank für große Skalierung.
- pgvector - Vektorsuche als PostgreSQL-Erweiterung.
- FAISS - Metas Bibliothek für hochperformante Vektorsuche.
Vergleich
| Datenbank | Stärke | Einstieg |
|---|---|---|
| Chroma | Einfach in Python integrierbar | Sehr einfach |
| Qdrant | Skalierbar, produktionsreif | Einfach |
FAQ - Häufige Fragen
Welche Vektordatenbank soll ich als Einsteiger nutzen?
Chroma ist sehr einsteigerfreundlich, wenn Du in Python arbeitest. Qdrant ist robuster, wenn später skaliert wird.
Sind die Datenbanken kostenlos?
Beide haben Open-Source-Versionen, die lokal kostenlos betrieben werden können.
Wann Du überhaupt eine Vektordatenbank brauchst
Nicht jede RAG-Anwendung braucht eine eigene Datenbank. Für kleine Dokumentenmengen (ein paar hundert Seiten) reicht ein simpler In-Memory-Ansatz oder die Vektorsuche direkt in Postgres (pgvector). Eine dedizierte Vektordatenbank wird interessant, wenn:
- viele Dokumente: ab einigen tausend Chunks lohnt sich ein Index wie HNSW für schnelle Suche
- parallele Nutzer: eine echte DB mit API stemmt Anfragen besser als ein In-Prozess-Store
- Persistenz und Versionierung: Du willst Embeddings neu berechnen, ohne die Pipeline neu zu starten
- Metadaten-Filter: Suche nach Dokumenttyp, Datum oder Quelle neben der Vektorähnlichkeit
Die drei Wege im Vergleich
- Chroma: der einfachste Start. Läuft als Container oder sogar als Python-Bibliothek im Prozess, ideal für Prototypen und kleine Mengen.
- Qdrant: mehr Features (Filter, Clustering, Snapshots) und deutlich leistungsfähiger bei größeren Datenmengen, dafür ein eigener Service im Stack.
- pgvector: wenn ohnehin Postgres läuft. Ein Service weniger zu pflegen, aber die Vektor-Features sind schlanker als bei dedizierten Lösungen.
Für den Anfang: Chroma. Für ein Setup, das wachsen soll oder produktiv wird: Qdrant. Für Minimalismus: pgvector, wenn Postgres schon im Spiel ist.