Mental BoundΟι παραδοσιακές βάσεις δεδομένων υπερέχουν σε ακριβή αντιστοίχιση και ερωτήματα εύρους. Οι vector databases είναι φτιαγμένες για ένα διαφορετικό πρόβλημα: να βρίσκουν στοιχεία που είναι παρόμοια με ένα vector ερωτήματος. Αποθηκεύουν embeddings — αριθμητικές αναπαραστάσεις κειμένου, εικόνων ή άλλων δεδομένων — και υποστηρίζουν approximate nearest neighbor search σε κλίμακα.
Όταν κάνεις embed ένα ερώτημα χρήστη και αναζητάς τα πλησιέστερα document embeddings, κάνεις σημασιολογική ανάκτηση: αντιστοίχιση βάσει νοήματος, όχι λέξεων-κλειδιών. Vector databases όπως Pinecone, pgvector και Weaviate βελτιστοποιούν γι' αυτό. Χρησιμοποιούν δομές ευρετηρίασης (HNSW, IVF) για να κάνουν την αναζήτηση ομοιότητας γρήγορη ακόμα και με εκατομμύρια vectors. Απαραίτητες για RAG, recommendations και κάθε εφαρμογή που χρειάζεται «βρες πράγματα σαν αυτό».