Wat is een vector database?
Een vector database slaat data op als wiskundige vectoren (embeddings) en kan snel zoeken op betekenis-gelijkenis. Dit is de technische basis voor RAG-systemen waarbij een AI-model antwoorden geeft op basis van je eigen documenten, zonder die documenten in de prompt te hoeven stoppen.
Een vector database slaat embeddings op en zoekt op betekenis in plaats van exacte tekst. Onmisbaar voor RAG-systemen en semantische zoekmachines.
Hoe werken embeddings?
Een embedding is een getal-reeks, typisch 1.536 of 3.072 getallen lang, die de betekenis van een stuk tekst vastlegt. Twee zinnen die hetzelfde bedoelen maar andere woorden gebruiken, liggen dicht bij elkaar in die wiskundige ruimte, ook al delen ze geen enkel woord.
Je maakt embeddings met een embedding-model. OpenAI biedt text-embedding-3-small aan: je stuurt tekst in, je krijgt een vector terug. Andere providers zoals Cohere of open-source modellen via Hugging Face doen hetzelfde.
De uitdaging: hoe sla je miljoenen van die vectoren op en hoe vind je snel de meest relevante terug? Dat is precies wat een vector database oplost.
Wat een vector database anders maakt
Een gewone SQL-query zoekt op exacte waarden of patronen. Een vector database voert een approximate nearest neighbor (ANN)-zoekopdracht uit: hij vindt de vectoren die wiskundig het dichtst bij je zoekvector liggen. Dit gaat razendsnel, ook bij miljoenen opgeslagen vectoren, dankzij gespecialiseerde indexen zoals HNSW of IVF-Flat.
Je kunt de zoekopdracht verfijnen met metadata-filters: geef me de vijf meest relevante documenten uit categorie ‘financiën’ van na 2025. Zo combineer je semantisch zoeken met traditionele filterlogica.
De rol in RAG-systemen
In een RAG-systeem (Retrieval-Augmented Generation) is de vector database de geheugenlaag. Het werkt zo:
- Documenten worden versnipperd in chunks en omgezet naar embeddings
- Die embeddings worden opgeslagen in de vector database
- Bij een gebruikersvraag wordt de vraag ook omgezet naar een embedding
- De database zoekt de meest relevante chunks op
- Die chunks worden als context meegegeven aan het taalmodel
Zo kan het model antwoorden geven op basis van je eigen documenten, handleidingen of kennisbank, zonder dat die data in de trainingsdata zat.
Welke opties zijn er?
De bekendste opties op een rij:
Pinecone: volledig beheerde dienst, geen server te beheren, snel op te starten. Geschikt voor teams die niet willen nadenken over infrastructuur.
pgvector: een extensie voor PostgreSQL. Als je al Supabase gebruikt, activeer je gewoon de extensie en heb je direct een vector database in je bestaande database. Geen extra dienst, geen extra kosten.
Weaviate en Qdrant: open-source opties die je zelf kunt hosten of als managed dienst kunt afnemen. Meer configuratiemogelijkheden, maar ook meer beheer.
Voor MKB-toepassingen is pgvector via Supabase vaak de slimste keuze: je combineert het met je bestaande database en betaalt geen extra platform.
Wanneer heb je er een nodig?
Je hebt een vector database nodig als:
- Je een AI-chatbot wil die antwoordt op basis van je eigen documentatie
- Je semantisch wil zoeken in een kennisbank of productcatalogus
- Je aanbevelingen wil doen op basis van inhoud in plaats van populariteit
Je hebt er geen nodig als je alleen standaard API-aanroepen doet naar een taalmodel zonder eigen documenten als context. Meer over die aanpak lees je in wat is een AI-agent.
Onze tip: Begin met pgvector via Supabase voordat je een apart vector-database-platform overweegt. Voor de meeste MKB-toepassingen is het meer dan krachtig genoeg, en je bespaart jezelf een extra dienst om te beheren en te betalen.
Veelgestelde vragen
Wat is het verschil tussen een vector database en een gewone database?
Een gewone relationele database zoekt op exacte waarden: geef me alle rijen waar de naam 'Jan' is. Een vector database zoekt op nabijheid in een wiskundige ruimte: geef me de teksten die het meest op 'pensioenplanning' lijken, ook als dat woord nergens letterlijk staat. Dit maakt het mogelijk om op betekenis te zoeken in plaats van op sleutelwoorden.
Welke vector databases bestaan er?
Populaire opties zijn Pinecone (volledig beheerd, eenvoudig te starten), Weaviate (open source, ook zelf te hosten), Qdrant (open source, hoge snelheid), en pgvector (extensie voor PostgreSQL, ideaal als je Supabase gebruikt). Voor de meeste MKB-toepassingen is pgvector via Supabase voldoende en het goedkoopst in beheer.
Hoe groot moet mijn dataset zijn voordat een vector database zin heeft?
Al vanaf een paar honderd documenten heeft een vector database voordeel boven full-text zoeken, omdat je semantisch kunt zoeken zonder alle tekst in de prompt te stoppen. Voor zeer kleine datasets (tientallen documenten) is een eenvoudige full-text zoekopdracht vaak voldoende en eenvoudiger op te zetten.