Zestawienia · 09 / 15

Bazy wektorowe i RAG

Wyszukiwanie po znaczeniu: od pgvector w Postgresie do usług zarządzanych.

Stan na: 7.11.2026

Po co wektory

Model AI zamienia tekst na wektor, czyli listę liczb, która oddaje znaczenie. Teksty o podobnym sensie mają bliskie wektory. Baza wektorowa szuka „najbliższych” wektorów, więc znajduje akapity o tym samym, nawet gdy użyto innych słów.

Na tym stoi RAG (retrieval-augmented generation): zanim model odpowie, aplikacja wyszukuje w Twoich dokumentach pasujące fragmenty i dokleja je do pytania. Model odpowiada z Twojej wiedzy, a nie tylko z treningu.

Porównanie

Baza	Rodzaj	Co wyróżnia
pgvector	rozszerzenie Postgresa	wektory obok reszty danych, indeksy HNSW i IVFFlat
Pinecone	usługa zarządzana	wyszukiwanie semantyczne, wektory gęste i rzadkie, wektory z tekstu po stronie serwera, reranking
Qdrant	otwarty kod albo chmura	platforma wyszukiwania wektorowego, chmura zarządzana, hybrydowa i prywatna
Weaviate	otwarty kod	wyszukiwanie hybrydowe: znaczenie i słowa kluczowe naraz
Chroma	otwarty kod (Apache 2.0) albo chmura	lokalnie, na własnym serwerze albo jako Chroma Cloud
Upstash Vector	usługa serverless	w pakiecie z Redis i kolejkami Upstash

pgvector: zacznij tutaj

Jeśli masz już Postgresa (Supabase, Neon, własny serwer), nie potrzebujesz osobnej bazy. pgvector obsługuje:

typy: vector (pojedyncza precyzja), halfvec (połowa precyzji), bit (binarne) i sparsevec (rzadkie);
odległości: L2, iloczyn skalarny, cosinusową, L1, Hamminga i Jaccarda (dwie ostatnie dla wektorów binarnych);
indeksy przybliżone HNSW i IVFFlat; bez indeksu wyszukiwanie jest dokładne.

create extension if not exists vector;

create table dokumenty (
  id bigserial primary key,
  tresc text not null,
  wektor vector(1024)
);

create index on dokumenty using hnsw (wektor vector_cosine_ops);

-- pięć akapitów najbliższych pytaniu
select tresc from dokumenty
order by wektor <=> $1
limit 5;

Wymiar wektora (tu 1024) musi pasować do modelu, który liczy wektory. Sprawdź go w dokumentacji modelu.

Miary odległości

Miara	Operator w pgvector	Kiedy
cosinusowa	`<=>`	domyślny wybór dla tekstu
iloczyn skalarny	`<#>`	wektory znormalizowane, gdy liczy się szybkość
L2 (euklidesowa)	`<->`	gdy liczy się też długość wektora

Typowy RAG

1. Podziel dokumenty na fragmenty (np. akapity).
2. Policz wektor każdego fragmentu i zapisz go w bazie.
3. Policz wektor pytania użytkownika.
4. Znajdź kilka najbliższych fragmentów.
5. Doklej je do polecenia dla modelu z prośbą o odpowiedź tylko z nich.
6. Pokaż odpowiedź ze źródłami.

Dobre praktyki:

dziel tekst w sensownych miejscach, z małą zakładką między fragmentami;
zapisuj obok wektora źródło i datę, żeby model mógł cytować;
łącz wyszukiwanie wektorowe z filtrem po metadanych (klient, rok, typ dokumentu);
przy dużych zbiorach dołóż reranking najlepszych wyników;
mierz jakość na zestawie prawdziwych pytań.

Szybki wybór

Masz Postgresa: pgvector.
Chcesz usługę bez utrzymania: Pinecone albo Chroma Cloud.
Chcesz otwarty kod na własnym serwerze: Qdrant, Weaviate albo Chroma.
Potrzebujesz wyszukiwania po znaczeniu i słowach naraz: Weaviate albo hybryda w Postgresie.

Wersja angielska porównywała też szybkość i ceny baz. Te liczby pochodziły z różnych testów i nie dało się ich potwierdzić na stronach producentów, więc je usunąłem.