Vektoren aktualisieren und löschen
Halten Sie den Index mit der Quelle synchron: Führen Sie bei Dokumentänderungen Upserts aus, löschen Sie entfernte Dokumente und behandeln Sie neue Embeddings.
Vektoren aktualisieren und löschen ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Der Index ist nicht unveränderlich
Reale Dokumente ändern sich. Der Index muss Schritt halten:
- Neue Dokumente werden hinzugefügt
- Vorhandene Dokumente werden bearbeitet
- Alte Dokumente werden gelöscht oder archiviert
Upsert (Einfügen oder Aktualisieren)
Die meisten Vektor-Datenbanken unterstützen Upsert — schreiben Sie den Vektor mit einer bestimmten ID und ersetzen Sie den alten, falls er bereits vorhanden ist:
index.upsert([
('doc-42', new_vector, {'source': 'a.pdf', 'updated_at': now})
])
# If doc-42 already exists, it is overwritten.Deterministische IDs
Wenn Sie IDs verwenden, die aus dem Inhalt gehasht werden, geschieht das „Aktualisieren“ automatisch — gleicher Inhalt = gleiche ID = gleicher Speicherplatz.
Wenn Sie UUIDs verwenden, müssen Sie nachverfolgen, welche UUID zu welchem Quelldokument gehört.
Änderungen erkennen
Um einen Korpus zu vergleichen, speichern Sie einen Hash jedes Abschnitts:
old_chunks = load_existing_chunks(source)
new_chunks = chunk_doc(source)
old_hashes = {c.id for c in old_chunks}
new_hashes = {c.id for c in new_chunks}
to_delete = old_hashes - new_hashes
to_add = new_hashes - old_hashes
# Skip unchanged — saves re-embeddingNach Filter löschen
Die meisten Datenbanken unterstützen das Löschen nach Filter, was beispielsweise für „alles aus dieser Quelle löschen“ nützlich ist:
index.delete(filter={'source': '/old/file.pdf'})Delete by ID
index.delete(ids=['doc-1', 'doc-2', 'doc-3'])Soft Delete
Manchmal möchten Sie etwas „ausblenden“, ohne es zu entfernen — setzen Sie ein deleted_at-Flag und filtern Sie es zum Abfragezeitpunkt heraus:
index.upsert([('doc-42', vec, {'deleted_at': now})])
# At query time:
results = index.query(vector=query_vec, top_k=5, filter={'deleted_at': {'$exists': False}})Komprimierung
Häufige Löschvorgänge hinterlassen Lücken im Index. Erstellen Sie ihn regelmäßig für bessere Leistung neu — die meisten Datenbanken erledigen das automatisch; sehen Sie in der Dokumentation Ihres Anbieters nach.
Erneutes Embedding bei einem Modellwechsel
Wenn Sie das Embedding-Modell aktualisieren, wird jeder vorhandene Vektor inkompatibel. Mögliche Strategien:
- Während der Migration gleichzeitig in alte und neue Collections schreiben
- Nach Abschluss den Leseverkehr auf die neue Collection umschalten
- Die alte Collection löschen
Inkrementelle Pipeline
Eine robuste Pipeline für die Datenaufnahme:
def sync_doc(source_path):
new_chunks = chunk_and_hash(load(source_path))
existing_ids = index.fetch_ids_by_source(source_path)
new_ids = {c.id for c in new_chunks}
to_add = [c for c in new_chunks if c.id not in existing_ids]
to_remove = existing_ids - new_ids
if to_remove:
index.delete(ids=list(to_remove))
if to_add:
index.upsert([(c.id, embed(c.text), c.metadata) for c in to_add])Drift überprüfen
Überprüfen Sie regelmäßig, ob der Index mit der Quelle der Wahrheit übereinstimmt. Zählen Sie die Zeilen pro Quelle sowohl in Ihrer Datenbank als auch im Vektorindex und lösen Sie bei Abweichungen einen Alarm aus.
Webhook-gesteuerte Aktualisierungen
Verwenden Sie bei Dokumentverwaltungssystemen (Notion, Confluence, GDrive) Webhooks, um bei Änderungen eine inkrementelle Synchronisierung auszulösen — das ist deutlich günstiger, als alles erneut zu crawlen.
Tombstones für verteilte Löschvorgänge
In verteilten Indizes schreibt ein „Löschen“ häufig eine Tombstone-Markierung. Bis die Komprimierung ausgeführt wird, sehen Abfragen den Tombstone möglicherweise weiterhin — lassen Sie Ihre Filter daher aktiviert.
Idempotente Aktualisierungen
Wie lässt sich die Datenaufnahme am einfachsten sicher erneut ausführen?
Zusammenfassung
Planen Sie Aktualisierungen von Anfang an ein: Hash-basierte IDs, differenzbasierte Datenaufnahme und eine Möglichkeit, Embedding-Modelle ohne Ausfallzeit auszutauschen.
Häufig gestellte Fragen
Ist die Lektion „Vektoren aktualisieren und löschen“ kostenlos?
Ja — der vollständige Text von „Vektoren aktualisieren und löschen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Vektoren aktualisieren und löschen“?
Halten Sie den Index mit der Quelle synchron: Führen Sie bei Dokumentänderungen Upserts aus, löschen Sie entfernte Dokumente und behandeln Sie neue Embeddings. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Agents zu starten?
Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Vektoren aktualisieren und löschen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?
Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Pinecone, Weaviate, Qdrant: Vergleich
- Metadatenfilter für die hybride Suche
- Vektoren aktualisieren und löschen
- Distanzmetriken auswählen (cosine, L2, dot)