Vektorová databáze je úložiště specializované na ukládání a vyhledávání vysokodimenzionálních vektorů, typicky embeddingů vzniklých vektorizací textu, obrázků či zvuku. Na rozdíl od relační databáze, která hledá přesnou shodu hodnot, odpovídá na dotaz typu „najdi k nejbližších záznamů“ podle metriky podobnosti – nejčastěji kosinové vzdálenosti nebo skalárního součinu. Přesné prohledání všech vektorů je při milionech záznamů neúnosné, proto se používá přibližné vyhledávání nejbližších sousedů (ANN) postavené na indexech jako HNSW (vícevrstvý navigační graf), IVF (rozdělení prostoru na buňky) nebo produktová kvantizace, která vektory komprimuje. Výsledkem je vždy kompromis mezi rychlostí, pamětí a úplností nalezených výsledků. Produkční nasazení navíc vyžaduje filtrování podle metadat, například podle jazyka nebo oprávnění uživatele, a hybridní vyhledávání kombinující sémantickou podobnost s klasickým klíčovým skóre BM25. Vektorová databáze je nosnou infrastrukturou architektury RAG, kam se ukládají jednotlivé chunky dokumentů.
Běžná databáze je jako telefonní seznam: musíte znát přesné příjmení, jinak nic nenajdete. Vektorová databáze je jako knihovník, který v regálech neřadí knihy podle abecedy, ale podle toho, o čem jsou. Řeknete mu „něco o tom, jak se dělá chleba doma“, a on přinese hrst knih o pečivu, kvásku a mlýnech – přestože se v žádné z nich vaše formulace doslova neobjevuje. Aby to stihl rychle, neprochází regály jeden po druhém. Má vlastní mapu zkratek mezi tématy a jde po ní. Občas mu proto jedna vhodná kniha unikne – to je daň za rychlost.