Vektorsuche mit einem Vector Store
Die relevantesten Textpassagen abrufen
Vektorsuche mit einem Vector Store ist eine kostenlose NLP Academy-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 NLP Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der NLP Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
What a Vector Store Does
A vector store holds your chunk embeddings and finds the closest ones to a query fast, even across millions of vectors.
Searching by Similarity
Instead of matching keywords, you match meaning. The store returns chunks whose vectors sit nearest to the query vector.
Cosine Similarity
The common distance measure is cosine similarity. It compares the angle between two vectors, so closer in meaning scores higher.
Embed the Query the Same Way
The question must use the same model as your chunks. Mismatched embeddings live in different spaces and cannot be compared.
query_vec = model.encode(["How do I reset my password?"])Top-K Retrieval
You rarely want every match. Ask the store for the top-k nearest chunks, where k is a small number like 3 or 5.
A Simple In-Memory Store
For small data, FAISS keeps vectors in memory and searches in milliseconds. You build an index, then add your vectors.
import faiss
index = faiss.IndexFlatIP(384)
index.add(vectors)Running a Search
Call search with the query vector and k. It returns the scores and the indexes of the best-matching chunks.
scores, ids = index.search(query_vec, k=3)Mapping Results Back to Text
The store gives you indexes, not text. Use them to look up the original chunks you stored alongside the vectors.
hits = [chunks[i] for i in ids[0]]Persistent Vector Databases
For real apps, a vector database like Chroma or Pinecone stores vectors on disk, scales out, and survives restarts.
Filtering With Metadata
Attach tags such as author or date to each vector. Then you can filter the search, like only chunks from one document.
Why Approximate Search Helps
Exact search gets slow at scale. Approximate nearest-neighbor indexes trade a tiny bit of accuracy for huge speed gains.
Quick Check
Recall how a vector store finds relevant chunks.
Recap
A vector store embeds the query, finds the top-k nearest chunks by similarity, and maps results back to text. ✅
Häufig gestellte Fragen
Ist die Lektion „Vektorsuche mit einem Vector Store“ kostenlos?
Ja — der vollständige Text von „Vektorsuche mit einem Vector Store“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des NLP Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der NLP Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Vektorsuche mit einem Vector Store“?
Die relevantesten Textpassagen abrufen Du übst NLP Academy 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 NLP Academy zu starten?
Keine Vorkenntnisse erforderlich. NLP Academy 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 „Vektorsuche mit einem Vector Store“?
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 NLP Academy-Lektion Code schreiben und ausführen?
Ja. Jede NLP Academy-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
- Warum LLMs Retrieval benötigen
- Dokumente aufteilen und Embeddings erstellen
- Vektorsuche mit einem Vector Store
- Retrieval in den Prompt einbinden