Czego szukasz?

Wpisz temat, narzędzie lub problem do rozwiązania.

← Wszystkie artykuły

Baza wektorowa: do czego służy w projektach AI

Złoty punkt połączony z trzema pobliskimi punktami na granatowym tle

Chatbot z własnymi dokumentami nie potrzebuje bazy wektorowej do samego generowania zdań. Potrzebuje sposobu, aby znaleźć właściwe fragmenty materiałów przed wysłaniem pytania do modelu. Baza wektorowa pomaga w tym wyszukiwaniu, ale nie ocenia prawdziwości dokumentów i nie naprawia błędnej odpowiedzi AI.

Wyjaśnię, co przechowuje taka baza, kiedy wystarcza PostgreSQL z rozszerzeniem pgvector oraz jak sprawdzić wyszukiwanie na małym przykładzie. Oddzielimy podobieństwo od trafności i uprawnienia od zwykłego filtrowania wyników.

Co przechowuje baza wektorowa

Podstawowym obiektem jest wektor, czyli lista liczb opisująca element w określonej przestrzeni. W projekcie tekstowym embedding powstaje z fragmentu dokumentu za pomocą wybranego modelu. Obok wektora zapisuje się identyfikator, treść lub odnośnik do treści i metadane.

Typowy rekord może zawierać document_id, numer fragmentu, wersję dokumentu, język, identyfikator klienta oraz model użyty do obliczenia embeddingu. Podstawy samej reprezentacji omawia artykuł o embeddingach.

Nie mieszaj wektorów z różnych modeli tylko dlatego, że mają taką samą długość. Zgodna liczba wymiarów pozwala wykonać działanie matematyczne, lecz nie gwarantuje wspólnego znaczenia współrzędnych. Po zmianie modelu zwykle potrzebujesz osobnej wersji indeksu i ponownego obliczenia reprezentacji dokumentów.

Jak przebiega wyszukiwanie

W najprostszym przepływie dzieją się cztery rzeczy:

  1. Dokument zostaje podzielony na fragmenty z zachowanym źródłem.
  2. Model embeddingowy przelicza fragmenty na wektory.
  3. Pytanie użytkownika otrzymuje zgodną reprezentację.
  4. Baza wybiera pobliskie wektory według zadanej miary i filtrów.

Wynik może trafić do interfejsu wyszukiwarki albo do modelu generującego odpowiedź. Ten drugi wariant jest częścią architektury RAG. Baza nie musi samodzielnie wywoływać modelu językowego; aplikacja może organizować cały przepływ.

Wyszukiwanie semantyczne jest przydatne, gdy pytanie i dokument używają innych słów na zbliżony temat. Nie zawsze jest najlepsze dla numeru faktury, dokładnego symbolu produktu czy kodu błędu. Takie wartości często lepiej sprawdzić przez filtr, dopasowanie tekstowe lub wyszukiwanie pełnotekstowe.

Podobieństwo nie jest prawdopodobieństwem poprawnej odpowiedzi

Miara kosinusowa porównuje kierunek wektorów, a odległość euklidesowa ich położenie. Wybór powinien odpowiadać sposobowi użycia konkretnego modelu embeddingowego. Normalizacja może zmieniać relację między tymi miarami, dlatego nie podmieniaj ich bez sprawdzenia zaleceń modelu.

Wynik podobieństwa 0.8 nie oznacza „80% pewności, że odpowiedź jest prawdziwa”. To wynik konkretnego działania na reprezentacjach. Próg przydatności trzeba dobrać na przykładach z własnej domeny, najlepiej z pytaniami, dla których poprawnej odpowiedzi w bazie w ogóle nie ma.

Zwrócenie pięciu najbliższych fragmentów nie dowodzi, że którykolwiek pasuje. W zbiorze dotyczącym administracji serwerem nawet pytanie o gotowanie dostanie jakichś sąsiadów, jeśli zapytanie zawsze wymusza LIMIT 5 bez dodatkowej oceny trafności.

Mały przykład pgvector z jawnymi liczbami

Do uruchomienia potrzebujesz testowej bazy PostgreSQL z zainstalowanym rozszerzeniem pgvector i uprawnienia do jego włączenia. Samo CREATE EXTENSION nie pobiera brakujących plików rozszerzenia. Nie wykonuj przykładu w produkcyjnej bazie tylko po to, by zobaczyć trzy wyniki.

Wektory poniżej są ręcznie dobrane i mają trzy wymiary. Nie są embeddingami słów „A”, „B” i „C”. Służą wyłącznie do pokazania składni i kolejności wyników.

CREATE EXTENSION IF NOT EXISTS vector;
BEGIN;
CREATE TEMP TABLE tt_chunks (
  id integer PRIMARY KEY,
  tenant_id integer NOT NULL,
  content text NOT NULL,
  embedding vector(3) NOT NULL
);
INSERT INTO tt_chunks VALUES
  (1, 10, 'A', '[1,0,0]'),
  (2, 10, 'B', '[0.8,0.2,0]'),
  (3, 10, 'C', '[0,1,0]'),
  (4, 20, 'PRIVATE', '[1,0,0]');
SELECT id, content,
       round((embedding <=> '[1,0,0]'::vector)::numeric, 4) AS distance
FROM tt_chunks
WHERE tenant_id = 10
ORDER BY embedding <=> '[1,0,0]'::vector, id
LIMIT 3;
ROLLBACK;

Operator <=> w pgvector zwraca odległość kosinusową, dlatego mniejsza wartość oznacza bliższy wynik. Dla tego konkretnego przykładu otrzymujemy:

id content distance
1 A 0.0000
2 B 0.0299
3 C 1.0000

Rekord klienta 20 nie pojawia się, chociaż ma identyczny wektor jak zapytanie. Warunek dotyczy klienta 10. Zapytanie sprawdzono w odizolowanym kontenerze PostgreSQL 16 z pgvector 0.8.7, na czterech rekordach i bez publikowania portu. To test składni, kolejności i filtra, nie benchmark ani ocena modelu embeddingowego.

Tabela jest tymczasowa, a transakcja kończy się ROLLBACK. Włączenie rozszerzenia następuje przed nią i pozostaje w bazie testowej. Jeśli potrzebujesz przypomnieć sobie WHERE, ORDER BY i transakcje, skorzystaj ze ściągi SQL.

Dokładne wyszukiwanie a indeks przybliżony

Przy małym zbiorze można policzyć odległości do wszystkich kandydatów. To daje dobry punkt odniesienia do kontroli jakości wyników. Kiedy zbiór rośnie, koszt takiego przeglądu może stać się zbyt duży.

Indeksy przybliżone, takie jak HNSW, ograniczają pracę wyszukiwania kosztem możliwości pominięcia niektórych najbliższych sąsiadów. Nie oceniaj ich wyłącznie przez czas odpowiedzi. Sprawdź również recall, czyli to, ile wyników odnalezionych metodą referencyjną zostało zachowanych.

Podejście Do czego się przydaje Koszt lub ograniczenie
Dokładne porównanie kandydatów Mały zbiór i punkt odniesienia Koszt rośnie z liczbą porównywanych wektorów
Indeks przybliżony Większy zbiór i wymagania czasu odpowiedzi Dodatkowa pamięć, budowa indeksu, możliwa utrata części sąsiadów
Wyszukiwanie tekstowe Nazwy, kody i dokładne pojęcia Nie zastępuje reprezentacji semantycznej
Połączenie kilku metod Pytania wymagające zarówno znaczenia, jak i dokładności Potrzebna reguła łączenia i oceny wyników

Filtry mogą wpływać na skuteczność indeksu. W pgvector skanowanie indeksu przybliżonego i późniejsze filtrowanie może dać mniej rekordów niż oczekiwane LIMIT. Dokumentacja opisuje m.in. skanowanie iteracyjne. Nie włączaj jednak kolejnych parametrów bez pomiaru na realnym rozkładzie klientów i dokumentów.

Filtr tenant_id nie zastępuje autoryzacji

W przykładzie tenant_id = 10 jest wpisane na sztywno. W aplikacji tę wartość powinien ustalać zaufany backend na podstawie uwierzytelnionego użytkownika. Jeśli klient może dowolnie zmienić filtr na tenant_id = 20, samo istnienie kolumny nie chroni danych.

PostgreSQL umożliwia polityki bezpieczeństwa wierszy, lecz trzeba uwzględnić rolę połączenia, właściciela tabeli i uprawnienia omijania tych polityk. Nie testuj izolacji wyłącznie kontem administratora. W osobnej bazie wektorowej potrzebujesz równoważnego podziału dostępu i kontroli w warstwie aplikacji.

Filtrowanie po języku czy kategorii poprawia dobór wyników, a filtrowanie dostępu chroni granice danych. Warto te funkcje odróżniać podczas przeglądu kodu. Do modelu powinny trafiać wyłącznie fragmenty, które użytkownik ma prawo zobaczyć.

Aktualizacje, usuwanie dokumentów i kopie

Indeks szybko przestaje odzwierciedlać źródła, jeśli import potrafi tylko dodawać dane. Zapisuj wersję dokumentu i stabilne identyfikatory jego fragmentów. Przy zmianie usuń lub zastąp fragmenty starej wersji, zamiast dokładać drugą kopię i liczyć, że model wybierze nowszą.

Usunięcie źródła powinno obejmować również reprezentacje, kopie treści i cache odpowiedzi. Sprawdź też, co zostaje w logach. Sam wektor nie jest automatycznie anonimowym ani nieszkodliwym zamiennikiem dokumentu.

Jeżeli wektory są w PostgreSQL, plan kopii może uwzględniać je razem z metadanymi. Punkt wyjścia znajdziesz w konfiguracji backupu PostgreSQL. Przetestuj odtworzenie rozszerzenia oraz danych, nie tylko utworzenie pliku kopii. W środowisku kontenerowym znaczenie ma także trwałość danych w wolumenach.

Kiedy wystarcza PostgreSQL, a kiedy osobna usługa

Jeśli aplikacja już używa PostgreSQL, potrzebuje transakcji, relacji i umiarkowanego wyszukiwania wektorowego, pgvector jest rozsądnym kandydatem do próby. Zmniejsza liczbę systemów wymagających utrzymania, ale współdzieli zasoby z pozostałymi zapytaniami.

Osobna usługa może mieć sens przy innych wymaganiach skalowania, filtrowania lub administracji kolekcjami. Przykładowo Qdrant udostępnia filtrowanie po metadanych i osobne mechanizmy indeksowania. To nie dowodzi automatycznej przewagi wydajnościowej nad Twoim PostgreSQL.

Porównaj reprezentatywny zbiór, filtrowanie, czas aktualizacji, koszt pamięci oraz procedurę backupu. Nie wybieraj na podstawie liczby rekordów z cudzego benchmarku, jeśli Twoje wektory, filtry i sprzęt są inne. Zwróć też uwagę na zakres kontekstu modelu: szybkie znalezienie setek fragmentów nie znaczy, że warto wszystkie wysłać do generowania.

Najczęstsze pytania

Czy baza wektorowa zastępuje zwykłą bazę danych?

Nie musi. Przechowywanie zamówień, relacji i rozliczeń nadal wymaga właściwego modelu danych. Wektory mogą być dodatkową kolumną PostgreSQL albo osobną warstwą wyszukiwania.

Czy potrzebuję jej do każdego projektu RAG?

Nie. Dla małego zbioru wystarczy prostsze przechowywanie i dokładne porównanie wektorów. Ważniejsze są poprawne źródła, aktualizacje, dostęp i ocena trafności niż sama nazwa użytego produktu.

Co się stanie po zmianie modelu embeddingowego?

Dotychczasowe wektory mogą być niezgodne z nowymi zapytaniami. Zachowaj wersję modelu i przygotuj migrację indeksu. Sama zgodność liczby wymiarów nie rozwiązuje tego problemu.

Dlaczego baza zwraca podobny, ale nieprzydatny dokument?

Podobieństwo reprezentacji nie gwarantuje odpowiedzi na pytanie. Sprawdź podział tekstu, model, filtry, miarę odległości i zestaw testowych pytań. Czasem potrzebne jest wyszukiwanie tekstowe lub dodatkowe uporządkowanie kandydatów.

Czy wynik cosine similarity można pokazać jako procent pewności?

Nie bez osobnej, zweryfikowanej kalibracji. Taki wynik opisuje relację wektorów, a nie prawdopodobieństwo prawdziwości tekstu ani poprawności odpowiedzi modelu.

Źródła

Data publikacji: 27.10.2026.

KP
O AUTORZE

Krystian Proć

Tworzę narzędzia do pracy z danymi, systemy backendowe i automatyzacje. Pracuję z SQL, PHP, TypeScriptem i Dockerem; rozwijam m.in. dragon-island.com. AI pomaga mi przyspieszać pracę, a architekturę, weryfikację i decyzje techniczne biorę na siebie. Na Trybie Technicznym dzielę się doświadczeniami z budowania i utrzymywania własnych projektów.

Dyskusja

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *