Vektör veritabanı (vector database), metin, görsel veya sesin sayısal karşılığı olan embedding vektörlerini saklayan ve verilen bir sorguya anlamca en yakın kayıtları milisaniyeler içinde bulan veritabanı türüdür. Klasik bir veritabanı “tam eşleşme” veya “içeren” arar; vektör veritabanı ise “anlamca benzer” arar.
Somut örnek: Bin sayfalık bir ürün kataloğu embedding’e çevrilip bir vektör veritabanına yazılır. Kullanıcı “su geçirmez kışlık bot” diye aradığında, sorgu da embedding’e çevrilir ve veritabanı, ürün adında “su geçirmez” veya “kışlık” kelimesi geçmese bile anlamca en yakın ürünleri (örneğin “yağmur botu”) bulup getirir. Pinecone, pgvector (Postgres eklentisi) ve Supabase Vector, yaygın kullanılan örneklerdir.
Neden önemli?
Vektör veritabanları, RAG sistemlerinin bel kemiğidir: bir dil modeli cevap üretmeden önce ilgili belgeleri bulması gerekir, bu arama işini vektör veritabanı yapar. Kavram farkı şudur: embedding, bir metnin anlamını sayılara çeviren temsil biçimidir; vektör veritabanı ise milyonlarca bu temsili saklayıp aralarında en yakın olanı hızlıca bulan altyapıdır. Biri olmadan diğeri işe yaramaz — embedding’iniz olsa da onu aranabilir şekilde saklayacak bir sisteme ihtiyacınız vardır.