Vectordatabase

Wat is een Vectordatabase?

Een vectordatabase is een datastore gebouwd om embeddings te bevatten, de numerieke vectoren die de betekenis van tekst, beelden, of code representeren, en om gelijkenisqueries erover snel te beantwoorden. Gegeven een queryvector geeft hij de opgeslagen items het dichtst in betekenis terug, wat hem de retrievalruggengraat maakt van RAG-systemen, semantische zoekopdracht, en agentgeheugen.

De belangrijkste punten

• De kernoperatie is approximate-nearest-neighbor-zoeken: de meest gelijkende vectoren onder miljoenen vinden in milliseconden door een kleine hoeveelheid recall te ruilen voor enorme snelheid.
• Vectoren alleen zijn niet genoeg. Productieretrieval hangt af van de metadata ernaast opgeslagen, voor rechtenfiltering, tenant-isolatie, versheid, en hybride keyword-scoring.
• De categorie omspant dedicated engines en extensies op bestaande databases, meest prominent pgvector binnen Postgres, en de extensieroute wint standaard op kleine en middelgrote schaal.
• Een vectordatabase geeft gelijkende items terug, geen correcte antwoorden. Retrievalkwaliteit wordt stroomopwaarts bepaald door chunking en het embedding-model, niet door de database.

Hoe het werkt

Een embedding-model zet elk stuk content om naar een vector-embedding, een lijst van honderden of duizenden drijvendekommagetallen gepositioneerd zodat gelijkende betekenissen dicht bij elkaar landen. De database slaat deze vectoren op met een ID, de brontekst of een verwijzing ernaar, en gestructureerde metadata. Een query arriveert als nog een vector, en de database geeft de k dichtstbijzijnde opgeslagen vectoren terug gerangschikt op cosinusgelijkenis of dot product.

De query vergelijken met elke vector, een brute-force-scan, is exact maar schaalt lineair en wordt te traag voorbij een paar honderdduizend items. Vectordatabases bouwen daarom approximate-nearest-neighbor-indexen. De dominante structuur is HNSW, een gelaagde graaf gulzig genavigeerd van grof naar fijn; IVF-achtige indexen die de ruimte in clusters partitioneren zijn de andere gangbare familie, en kwantiseringstechnieken verkleinen vectoren om geheugen te besparen. Deze indexen antwoorden in milliseconden tegen de kost van af en toe een echte buur missen, met recall afstelbaar tegen latentie. De schaalplafonds werden jaren voor de huidige AI-golf vastgesteld: Meta's Faiss-library demonstreerde in 2017 GPU-gelijkenis-zoeken 8,5x sneller dan de vorige state of the art, en bouwde een hoog-nauwkeurige k-NN-graaf over 1 miljard vectoren in minder dan 12 uur op vier GPU's [1]. Microsofts DiskANN liet vervolgens op NeurIPS 2019 zien dat een miljard-punten-index kan leven op één werkstation met 64GB RAM en een SSD terwijl het meer dan 5.000 queries per seconde bedient bij minder dan 3ms gemiddelde latentie met 95%+ recall [2].

De features die een productiesysteem onderscheiden van een demo leven vooral buiten de index. Gefilterd zoeken past metadatapredikaten toe, zoals tenant-ID of documentrechten, zonder recall uit te hollen, wat oprecht moeilijk is en alleen goed behandeld wordt door volwassen engines. Hybride zoeken versmelt vectorscores met keyword-scoring zodat exacte identifiers nog steeds matchen. Dan komen de gewone databasedeugden: upserts en deletes die de index consistent houden naarmate documenten veranderen, namespaces voor isolatie, en back-ups. In agentstacks dient dezelfde machinerie dubbel doel, en drijft zowel documentretrieval als langetermijn-agentgeheugen aan, waar eerdere interacties embedded en opgehaald worden op relevantie.

Voorbeeld

Een legal-tech-startup bouwt contractzoeken over 2 miljoen clausule-niveau-chunks voor 400 klantkantoren. Elke chunk wordt embedded en opgeslagen met metadata: kantoor-ID, contractdatum, clausuletype, toepasselijk recht. Wanneer een advocaat bij één kantoor zoekt "beëindiging om praktische redenen met minder dan 30 dagen opzegtermijn," wordt de query embedded en draait de database nearest-neighbor-zoeken gefilterd tot alleen de documenten van dat kantoor, en geeft 20 kandidaatclausules terug in minder dan 50 milliseconden, die een reranker dan versmalt naar vijf. Het filter doet juridisch-niveau-tenant-isolatie, dus verifieerde het team dat filtering binnen de indextraversering gebeurt in plaats van erna, zowel voor recall als om te garanderen dat clausules van een ander kantoor nooit kunnen verschijnen. Ze begonnen op pgvector, en migreerden het retrievalpad pas naar een dedicated engine toen corpus en filtercomplexiteit het ontgroeiden.

Veelvoorkomende misvattingen

De terugkerende fout is een AI-project beginnen door een dedicated vectordatabase in te kopen, alsof dat het moeilijke deel is. Voor corpora onder een paar miljoen vectoren volstaat meestal pgvector of het vectortype in een bestaande zoekmachine, houdt het embeddings transactioneel consistent naast de brondata, en voegt het nul nieuw operationeel oppervlak toe. Ondertussen krijgen de daadwerkelijke bepalers van retrievalkwaliteit, chunkingstrategie en embedding-modelkeuze, een fractie van de aandacht. Kies eerst de saaie opslagoptie, besteed de bespaarde inspanning aan de pipeline, en upgrade de database wanneer schaal of filtereisen het afdwingen.

FAQ

Heb ik een vectordatabase nodig voor RAG? Je hebt vectoropslag en gelijkenis-zoeken nodig; of dat een dedicated product is, is een schaalvraag. Retrieval-augmented generation over duizenden of zelfs een paar miljoen chunks draait prima op pgvector of een bestaande zoekstack. Dedicated engines verdienen hun plek bij zeer grote corpora, zware gefilterde-zoek-eisen, of strikte latentiebudgetten bij hoog queryvolume.

Hoe verschilt een vectordatabase van een gewone database? Een gewone database haalt rijen op die exacte voorwaarden matchen. Een vectordatabase rangschikt items op geometrische gelijkenis met een queryvector, een vage, betekenisgebaseerde operatie die gespecialiseerde indexen vereist. In de praktijk is de lijn vervaagd: Postgres, OpenSearch, Redis, en de meeste grote databases schroeven nu vectorzoeken erbij, dus benoemt "vectordatabase" steeds meer een capaciteit dan een aparte productcategorie.

Wat wordt er daadwerkelijk in opgeslagen? Drie dingen per item: de embedding-vector, metadata voor filtering, en de payload, ofwel de originele chunk-tekst ofwel een verwijzing ernaar. De embeddings worden buiten de database geproduceerd door een embedding-model, en als je ooit dat model verandert, moet elke vector geregenereerd worden, want vectoren van verschillende modellen zijn niet vergelijkbaar.

Bronnen

1. Johnson, Douze & Jégou, Meta AI. "Faiss-benchmarks voor GPU-gelijkenis-zoeken op miljard-schaal." https://arxiv.org/abs/1702.08734. Geraadpleegd augustus 2026.
2. Subramanya et al., Microsoft Research. "DiskANN-miljard-punten-zoeken op één werkstation." https://papers.nips.cc/paper/9527-rand-nsg-fast-accurate-billion-point-nearest-neighbor-search-on-a-single-node. Geraadpleegd augustus 2026.