Vektorinė duomenų bazė

Vektorinė duomenų bazė (angl. vector database) – duomenų bazė, kuri saugo tekstų, vaizdų ar kitų objektų embedding vektorius ir greitai suranda artimiausius pagal prasmę. Ji yra RAG sistemų, semantinės paieškos el. parduotuvėje ir rekomendacijų pagrindas. Populiariausi variantai 2026 m.: PostgreSQL su pgvector plėtiniu, Qdrant, Pinecone, Weaviate ir Milvus.

Kaip veikia vektorinė duomenų bazė

Įprasta duomenų bazė ieško tikslių atitikmenų: „kaina < 50“ arba „pavadinimas turi žodį batai“. Vektorinė duomenų bazė ieško artimiausių taškų daugiamatėje erdvėje. Kiekvienas tekstas embedding modeliu paverčiamas skaičių vektoriumi (pvz., OpenAI text-embedding-3-small grąžina 1 536 skaičius). Panašios prasmės tekstai yra arti vienas kito, todėl užklausa „šilti batai vaikui žiemai“ randa prekę „Vaikiški pašiltinti auliniai“, nors bendrų žodžių beveik nėra.

Paieška vyksta trimis žingsniais:

1. Klausimas paverčiamas vektoriumi tuo pačiu embedding modeliu, kuriuo buvo indeksuoti dokumentai.
2. Duomenų bazė apskaičiuoja atstumą (dažniausiai kosinusinį) iki saugomų vektorių ir grąžina artimiausius – vadinamąją k artimiausių kaimynų paiešką (angl. k-nearest neighbors, kNN).
3. Rezultatai filtruojami pagal metaduomenis (kalba, kategorija, sandėlio likutis, vartotojo teisės) ir perduodami toliau – į kalbos modelio kontekstą arba tiesiai į paieškos rezultatus.

Kodėl reikia indekso: HNSW ir IVFFlat

Tiksli paieška lygina klausimą su kiekvienu saugomu vektoriumi. Mažoms apimtims to užtenka, didelėms – per lėta. Todėl naudojami apytikslės paieškos indeksai (angl. approximate nearest neighbor, ANN), kurie aukoja dalį tikslumo dėl greičio:

• HNSW – daugiasluoksnis grafas. Pagal pgvector dokumentaciją, jis greitesnis ir tikslesnis nei IVFFlat, bet lėčiau kuriamas ir naudoja daugiau atminties. Indeksą galima sukurti ir tuščiai lentelei.
• IVFFlat – vektoriai suskirstomi į sąrašus, ieškoma tik artimiausiuose. Greičiau sukuriamas, mažiau atminties, bet prastesnis greičio ir tikslumo santykis; indeksą reikia kurti, kai lentelėje jau yra duomenų.

Pasimatavome, nuo kada indeksas tampa būtinas. 2026-10-13 Apple M1 Max kompiuteryje atlikome tikslią paiešką (visų vektorių palyginimą) su normalizuotais 1 536 dimensijų vektoriais:

Išvada: tipinei Lietuvos el. parduotuvei (kelios ar keliolika tūkstančių prekių) specializuota vektorinė duomenų bazė dažnai nereikalinga – užtenka esamos PostgreSQL su pgvector. Ji tampa aktuali, kai vektorių – milijonai, užklausų – šimtai per sekundę arba reikia sudėtingo filtravimo ir kelių klientų atskyrimo.

pgvector, Qdrant, Pinecone ar Weaviate: palyginimas

Pinecone Standard plane papildomai mokama už naudojimą: saugojimas – 0,33 USD už GB per mėnesį, skaitymo vienetai – 16–18 USD už milijoną, rašymo vienetai – 4–4,50 USD už milijoną (priklauso nuo debesijos ir regiono). Weaviate Flex plane – nuo 0,00465 USD už milijoną vektoriaus dimensijų ir nuo 0,12 USD už GiB saugojimo. Kainos pateiktos JAV doleriais, kaip jas skelbia tiekėjai.

pgvector: ką reikia žinoti prieš pradedant

• Dimensijų riba indeksui. Tipas vector indeksuojamas iki 2 000 dimensijų, halfvec – iki 4 000, bit – iki 64 000. OpenAI text-embedding-3-large grąžina 3 072 skaičius, todėl jį reikia saugoti kaip halfvec arba sutrumpinti vektorių per API parametrą dimensions.
• Atstumo operatoriai. Indeksas kuriamas konkrečiam atstumui: vector_cosine_ops (kosinusinis), vector_l2_ops (L2), vector_ip_ops (skaliarinė sandauga). Užklausa turi naudoti tą patį operatorių, kitaip indeksas nenaudojamas.
• Atmintis indekso kūrimui. HNSW indeksas kuriamas greičiausiai, kai grafas telpa į maintenance_work_mem; kitaip PostgreSQL įspėja ir kūrimas sulėtėja.
• Atsarginės kopijos ir replikacija veikia kaip įprastai, nes pgvector naudoja PostgreSQL WAL žurnalą.
• Hibridinė paieška. Lietuviškam tekstui verta derinti vektorinę paiešką su PostgreSQL pilno teksto paieška – ji geriau randa prekių kodus, modelių pavadinimus ir tikslias frazes.

Kaip pasirinkti vektorinę duomenų bazę

1. Suskaičiuokite apimtį. Vektorių skaičius = dokumentų gabalų skaičius. 5 000 prekių po 3 gabalus – 15 000 vektorių, tai yra apie 92 MB su 1 536 dimensijomis.
2. Patikrinkite, ką jau turite. Jei svetainė ar sistema jau veikia su PostgreSQL, pgvector nereikalauja naujo serverio, naujos sutarties ir naujo duomenų tvarkytojo.
3. Įvertinkite filtrus ir teises. Jei kiekvienas klientas turi matyti tik savo dokumentus, reikia patikimo filtravimo pagal metaduomenis arba atskirų vardų erdvių (angl. namespaces).
4. Nuspręskite dėl duomenų vietos. Savo serveryje (pgvector, Qdrant, Weaviate, Milvus) duomenys lieka jūsų infrastruktūroje; valdomoje paslaugoje pasirinkite ES regioną, jei tiekėjas jį siūlo.
5. Išbandykite su savo klausimais. Paieškos kokybę dažniau lemia embedding modelis ir dokumentų skaidymas, o ne duomenų bazė.

Kur naudojama vektorinė duomenų bazė versle

• RAG pokalbių robotai ir vidiniai asistentai – atsakymai iš jūsų taisyklių, katalogo ir instrukcijų (pokalbių robotas, DI asistentas).
• Semantinė prekių paieška – klientas rašo savais žodžiais, net su klaidomis ar be diakritikų.
• Panašios prekės ir rekomendacijos – „klientai, žiūrėję šią prekę, dar domėjosi“ pagal aprašymo ar nuotraukos panašumą.
• Dublikatų paieška – vienodų prekių kortelių, užklausų ar dokumentų radimas.
• Klientų užklausų grupavimas – kokios temos dažniausios, kurie klausimai neturi atsakymo DUK.
• DI agentų atmintis – agentas išsisaugo ankstesnių užduočių išvadas ir randa jas vėliau.

Vektorinės paieškos diegimą el. parduotuvėse ir vidinėse sistemose aprašome paslaugos puslapyje DI integracijos. Embedding ir kalbos modelių kainas palyginsite įrankyje DI modelių API kainos.

Lietuviškam tekstui vektorinė duomenų bazė viena pati neišsprendžia fleksijos ir diakritikų problemų – „grąžinimas“, „grąžinti“ ir „grazint“ turi būti randami kartu. Tam reikia daugiakalbio embedding modelio, patikrinto su lietuviškais klausimais, ir hibridinės paieškos. Mūsų bandymas parodė, kad mažesnis OpenAI embedding modelis lietuviškus sinonimus atpažįsta prasčiau nei didesnis (žr. embedding).

Jei vektoriai sukurti iš asmens duomenų (klientų laiškų, užsakymų, CV), jie taip pat laikytini asmens duomenimis pagal BDAR: reikia teisinio pagrindo, saugojimo termino ir galimybės ištrinti pagal prašymą. Pasirinkus valdomą paslaugą už ES ribų, reikia duomenų perdavimo pagrindo ir sutarties su duomenų tvarkytoju. Priežiūros institucija – Valstybinė duomenų apsaugos inspekcija (VDAI). Atvirojo kodo sprendimus (pgvector, Qdrant, Weaviate, Milvus) galima talpinti Lietuvos ar ES duomenų centre – žr. Hetzner ir kitus mūsų technologijų įrašus.