◆ KI-Freelancer? Werde eines der ersten 2.000 Gründungsmitglieder: 0 % Provision, 60 Tage Advanced (starte, wann du willst) und eigenes Titelbild für immer. KI-Freelancer? 0 % Provision + 60 Tage Advanced Jetzt Platz sichern →Mehr →
KI verbindenKI

Suche direkt aus deiner KI heraus nach KI-Tools, KI-Firmen und KI-Freelancern auf KI-Radar24.

So funktioniert der KI-Radar24-Connector
Inserat hinzufügen
pgvector

pgvector

Open-Source-Erweiterung für Vektorsuche direkt in PostgreSQL

Beschreibung

github.com/pgvector/pgvector ist eine quelloffene PostgreSQL-Erweiterung für die Ähnlichkeitssuche mit Vektoren, die Embeddings gemeinsam mit relationalen Daten in der Datenbank speichert und abfragbar macht.

Das Tool richtet sich an Entwickler und Datenteams, die Vektorsuche für RAG und semantische Suche in einer bestehenden PostgreSQL-Datenbank umsetzen wollen.

Tags

  • API
  • Datenbank
  • Infrastruktur
  • RAG
  • Kostenlos nutzbar

Zuletzt aktualisiert: November 2026 · Fehler melden · Abzeichen für deine Website

Auf einen Blick

Stand: November 2026
🛡️Datenschutz

Open-Source-Projekt der GitHub-Organisation pgvector; ein Firmensitz ist nicht öffentlich dokumentiert. Die Erweiterung läuft in der eigenen oder in einer gehosteten PostgreSQL-Umgebung, sodass Datenschutz, Hosting-Region und AVV vom jeweiligen Datenbankanbieter abhängen und dort geprüft werden sollten.

💰
Preismodell

Kostenlos und quelloffen; Nutzung über eigene oder von vielen Anbietern gehostete PostgreSQL-Instanzen.

👥
Zielgruppe
EntwicklerDateningenieure und TeamsDie RAG-Anwendungen auf PostgreSQL aufbauen
⚙️
Technik

PostgreSQL-Erweiterung (ab Postgres 13) mit HNSW- und IVFFlat-Indizes sowie ACID-Eigenschaften und Point-in-Time-Recovery der Datenbank.

🔗
Integrationen
Installation per DockerHomebrewAPTYumConda-forge und weiteren PaketmanagernVerfügbar bei vielen gehosteten Postgres-Anbietern
📊
Funktionen

Speicherung von Vektoren (Standard, Halbpräzision, binär, sparse), Distanzfunktionen wie L2, Kosinus, Inner Product, L1, Hamming und Jaccard, Näherungssuche mit HNSW oder IVFFlat, Kombination mit relationalen Abfragen

✅ Vorteile

  • Keine zusätzliche Vektordatenbank nötig, da alles in PostgreSQL bleibt
  • Große Verbreitung bei Managed-Anbietern

❌ Nachteile

  • Bei sehr großen Datenmengen können spezialisierte Vektordatenbanken leistungsfähiger sein
  • Index-Tuning erfordert Datenbankwissen
🎯
Für wen geeignet?

Eine gute Wahl für Entwickler, die Vektorsuche und RAG ohne zusätzliche Infrastruktur in ihrer PostgreSQL-Datenbank nutzen wollen.

Angaben laut Anbieter, Stand November 2026, ohne Gewähr. Fehler entdeckt? Melden

Bewertungen

Noch keine Bewertungen. Sei der Erste!

Bewertung schreiben

Deine E-Mail wird nicht veröffentlicht.