एक वेक्टर डेटाबेस एक सवाल का जवाब देता है, बहुत तेज़ी से
इसे संख्याओं की एक सूची दीजिए और यह उन स्टोर की गई सूचियों को लौटाता है जो इसके सबसे नज़दीक हैं। बस यही पूरा इंटरफ़ेस है।
ये सूचियां एम्बेडिंग्स हैं। एक एम्बेडिंग मॉडल किसी पैराग्राफ, प्रोडक्ट विवरण या इमेज को कुछ सौ से लेकर कुछ हज़ार संख्याओं में बदल देता है, जिन्हें इस तरह रखा जाता है कि मिलते-जुलते अर्थ एक-दूसरे के पास आएं, और AI में embeddings क्या हैं यह बताता है कि यह कैसे होता है। एक वेक्टर डेटाबेस वह जगह है जहां बहुत सारी ऐसी सूचियां होने पर वे रहती हैं। यह हर एक को एक ID और कुछ मेटाडेटा के साथ स्टोर करता है, उन पर एक इंडेक्स बनाता है, और नज़दीकी पड़ोसी खोज का जवाब देता है: "यह रहा एक क्वेरी वेक्टर, मुझे दस सबसे नज़दीकी दीजिए।"
मुश्किल हिस्सा है तेज़ शब्द। 1,536 संख्याओं वाले दस लाख स्टोर किए गए वेक्टरों के मुकाबले एक क्वेरी की तुलना करना 1.5 अरब गुणा है, और हर कीस्ट्रोक पर ऐसा करना स्केल नहीं करता। इसलिए वेक्टर डेटाबेस अनुमानित नज़दीकी पड़ोसी इंडेक्स इस्तेमाल करते हैं, जिनमें सबसे आम है HNSW, Malkov और Yashunin के 2016 के एक पेपर से आई एक ग्राफ़ संरचना, जो पूरे दस लाख के बजाय कुछ सौ उम्मीदवारों को देखती है और लगभग हर बार सही जवाब लौटाती है। वह "लगभग" ही सौदा है: थोड़ी सी रीकॉल के बदले हज़ार गुना तेज़ी।
आपका मौजूदा डेटाबेस शब्दों से मिलान करता है; एक वेक्टर डेटाबेस अर्थ से मिलान करता है
एक रिलेशनल डेटाबेस उन पंक्तियों को ढूंढता है जिनके मान मेल खाते हैं: WHERE customer_id = 4127। एक फ़ुल-टेक्स्ट इंडेक्स उन दस्तावेज़ों को ढूंढता है जिनमें शब्द हों: refund AND policy। एक वेक्टर डेटाबेस उन आइटम को ढूंढता है जिनका अर्थ पास हो: क्वेरी "मुझे अपने पैसे कैसे वापस मिलेंगे" उस पैराग्राफ को लौटाती है जिसका शीर्षक "Returns and refunds" है, भले ही दोनों में कोई शब्द साझा न हो।
| Relational database | Full-text search | Vector database | |
|---|---|---|---|
| पूछता है | कौन सी पंक्तियां इस मान से मेल खाती हैं? | किन दस्तावेज़ों में ये शब्द हैं? | कौन से आइटम का अर्थ इससे मिलता-जुलता है? |
| इंडेक्स | कॉलम पर B-tree | शब्दों पर उल्टा इंडेक्स | वेक्टरों पर ग्राफ़ या क्लस्टरिंग (HNSW, IVF) |
| सटीक? | हां | हां | आमतौर पर अनुमानित |
| किसमें अच्छा | ID, तारीखें, राशि, joins | नाम, कोड, सटीक वाक्यांश | पर्यायवाची, पैराफ़्रेज़, क्रॉस-लैंग्वेज, इमेज |
| किसमें कमज़ोर | अर्थ | अर्थ | सटीक स्ट्रिंग, गिनती, मान से फ़िल्टर करना |
| उदाहरण | Postgres, MySQL, SQLite | Elasticsearch, Lucene | Pinecone, Weaviate, Qdrant, Milvus, Chroma, pgvector |
आखिरी पंक्ति दिखाती है कि यह श्रेणी कितनी धुंधली है। pgvector सामान्य Postgres में वेक्टर कॉलम और एक HNSW इंडेक्स जोड़ता है, और Elasticsearch 2019 में वर्शन 7.0 से एक वेक्टर फ़ील्ड और 2022 में 8.0 से HNSW सर्च ले कर चल रहा है। एक "वेक्टर डेटाबेस" अक्सर उस डेटाबेस के अंदर एक क्षमता होती है जिसे आप पहले से चला रहे हैं, न कि कोई नया प्रोडक्ट, और स्टैंडअलोन प्रोडक्ट स्केल और ऑपरेशनल पॉलिश पर प्रतिस्पर्धा करते हैं, न कि कुछ ऐसा करने पर जो Postgres नहीं कर सकता।
चैट-विद-योर-डॉक्यूमेंट्स आखिर में मॉडल के साथ एक वेक्टर सर्च है
रिट्रीवल-ऑगमेंटेड जनरेशन, जिसे RAG क्या है विस्तार से समझाता है, में एक खोज चरण और एक लेखन चरण होता है। वेक्टर डेटाबेस खोज चरण है।
- हर दस्तावेज़ को कुछ सौ से हज़ार टोकन के पैराग्राफ में बांटें।
- हर पैराग्राफ को एम्बेड करें और वेक्टरों को, पैराग्राफ के टेक्स्ट और उसके स्रोत के साथ, वेक्टर डेटाबेस में स्टोर करें।
- जब कोई सवाल आए, तो उसे एम्बेड करें और डेटाबेस से सबसे नज़दीकी पैराग्राफ मांगें।
- वे पैराग्राफ सवाल के साथ भाषा मॉडल को दें, और उसे जवाब लिखने दें।
चरण 1 और 2 एक बार होते हैं, जब दस्तावेज़ जोड़े जाते हैं। चरण 3 और 4 हर सवाल पर होते हैं। भाषा मॉडल कभी पूरा कलेक्शन नहीं देखता; वह उन पांच या दस पैराग्राफ को देखता है जो डेटाबेस ने चुने। इसीलिए जवाब उतना ही अच्छा होता है जितनी अच्छी खोज: अगर सबसे नज़दीकी वेक्टर गलत पैराग्राफ है, तो मॉडल पूरे विश्वास के साथ गलत सवाल का जवाब देता है, जिसे AI hallucination क्या है एक आविष्कार के बजाय एक रिट्रीवल चूक मानता है।
कब इसकी ज़रूरत है, और कब पूरी फ़ाइल भेजना बेहतर है
यह फ़ैसला आकार पर निर्भर करता है। एक मॉडल एक बार में सिर्फ़ अपनी कॉन्टेक्स्ट विंडो पर विचार कर सकता है, और उसके अंदर हर टोकन के लिए हर बार भुगतान होता है। एक वेक्टर डेटाबेस इसलिए मौजूद है ताकि मॉडल के सामने सिर्फ़ प्रासंगिक हिस्सा रखा जाए। एक अकेले दस्तावेज़ के लिए जो फिट हो जाए, रिट्रीवल एक ऐसा चरण है जिसे छोड़ा जा सकता है; ऐसे कलेक्शन के लिए जो फिट न हो, यह इकलौता विकल्प है।
एक 300,000-टोकन रिपोर्ट, यानी कई सौ पेज, पर दस सवाल पूछे जाने और हर सवाल पर पांच 1,000-टोकन पैराग्राफ रिट्रीव किए जाने पर दोनों डिज़ाइन की कीमत देखें। हर बार पूरी फ़ाइल भेजना 30 लाख इनपुट टोकन है। हर सवाल पर 1,000 टोकन के पांच पैराग्राफ रिट्रीव करना 50,000 है। AI model cost index की लिस्ट इनपुट दरों पर, जो OpenRouter से 2026-08-20 को ली गई हैं, यह अंतर हर मॉडल पर 60 गुना है। प्रॉम्प्ट कैशिंग, जहां प्रोवाइडर इसे देता है, उसी फ़ाइल को दोबारा पढ़ने पर लिस्ट प्राइस के दसवें से आधे हिस्से का बिल लगाती है, जिससे अंतर घटकर लगभग 6 से 30 गुना रह जाता है। रिट्रीवल फिर भी जीतता है, बस कम अंतर से।
पूरी-फ़ाइल डिज़ाइन उस पैसे के बदले कुछ देता है जब फ़ाइल बजट में फिट हो जाए: एक 60-पेज का अनुबंध, लगभग 40,000 टोकन, मॉडल को ऐसे सवालों का जवाब देने देता है जिनके लिए पूरे दस्तावेज़ को एक साथ चाहिए, जैसे "क्या यहां कहीं क्लॉज़ 14 से कुछ विरोधाभास है", जो रिट्रीवल नहीं पूछ सकता क्योंकि वह कभी क्लॉज़ 14 और विरोधाभास को एक साथ नहीं देखता। जो नियम निकलता है वह यह है: एक दस्तावेज़, या मुट्ठी भर, पूरा भेजा जाता है; एक पूरी लाइब्रेरी वेक्टर डेटाबेस से गुज़रती है। दोनों के बीच, अपलोड को विषय के अनुसार बांट दें ताकि मॉडल को वह सेक्शन मिले जिसकी उसे ज़रूरत है।
Whizi खुद टेक्स्ट भेजता है, 40,000-टोकन के टर्न तक
Whizi आपकी चैट के लिए कोई वेक्टर डेटाबेस नहीं चलाता। जब आप कोई फ़ाइल अटैच करते हैं, तो document upload प्रक्रिया टेक्स्ट निकालती है और उसे प्रॉम्प्ट टेक्स्ट के रूप में मॉडल को भेजती है, प्रति टर्न 40,000-टोकन के सीधे बजट तक; इससे लंबा अपलोड काट दिया जाता है, साथ में एक टोस्ट और मैसेज में ही एक मार्कर यह बताता हुआ। प्रोजेक्ट फ़ाइलें भी उसी तरह काम करती हैं: projects फ़ीचर 10 फ़ाइलों तक पिन करता है और हर मैसेज पर उनके टेक्स्ट को प्रॉम्प्ट में फिर से बनाता है, जिसकी सीमा प्रति फ़ाइल 32,000 अक्षर और पूरे प्रोजेक्ट ब्लॉक के लिए 120,000 है।
ये सीमाएं ही डिज़ाइन की धार हैं। 32,000 अक्षर से ज़्यादा वाली पिन की गई फ़ाइल काट दी जाती है, 40,000-टोकन के टर्न बजट से ज़्यादा वाला अटैचमेंट काट दिया जाता है, और एक प्रोजेक्ट एक फ़ोल्डर है, न कि खोजी जा सकने वाली लाइब्रेरी। यह समझौता जान-बूझकर किया गया है: ऐसे अनुबंध या पेपर के लिए जो टर्न बजट में फिट हो जाए, टेक्स्ट का मौजूद होना उसे खोजे जाने से बेहतर है, और जो जांच मायने रखती है, यानी मॉडल से वह पैराग्राफ कोट करवाना जिसका उसने इस्तेमाल किया, वह इसलिए काम करती है क्योंकि पैराग्राफ वहां मौजूद होता है। एक हज़ार दस्तावेज़ों के लिए, एक वेक्टर डेटाबेस सही टूल है और एक चैट ऐप गलत टूल है।
इस तरीके से दो आदतें आगे बढ़ती हैं। जब कई फ़ाइलें अटैच हों तो अपने सवाल में एक बार फ़ाइल का नाम लीजिए, क्योंकि मॉडल वरना चुपचाप खुद चुन लेता है। और जिस भी जवाब पर आप कार्रवाई करने वाले हैं, उसके लिए कोट मांगिए। एक रिट्रीवल सिस्टम गलत पैराग्राफ लौटा सकता है; एक पूरी-फ़ाइल सिस्टम फ़ाइल के बजाय अपनी याददाश्त से जवाब दे सकता है। कोट दोनों को पकड़ लेता है।
- एक दस्तावेज़ पूरा भेजें; एक कलेक्शन को वेक्टर डेटाबेस के पीछे रखें
- एक लंबे अपलोड को विषय के अनुसार बांटें ताकि मॉडल को वह सेक्शन मिले जिसकी सवाल को ज़रूरत है
- जवाब पर भरोसा करने से पहले मॉडल से वह पैराग्राफ कोट करवाएं जिसका उसने इस्तेमाल किया
- ID, कोड और सटीक वाक्यांशों के लिए सादा टेक्स्ट सर्च इस्तेमाल करें; वेक्टर सर्च अर्थ से मिलान करता है, अक्षरों से नहीं
- लेखक मॉडल को दोष देने से पहले रिट्रीवल चूक को खोज की समस्या मानें: बेहतर मॉडल या छोटे पैराग्राफ के साथ फिर से एम्बेड करें
अक्सर पूछे जाने वाले सवाल
Vector database kya hai, आसान शब्दों में?
उन संख्याओं की सूचियों को स्टोर करने की जगह जिनका इस्तेमाल AI मॉडल अर्थ दर्शाने के लिए करता है, जो तेज़ी से सबसे नज़दीकी मिलान ढूंढने के लिए बनाई गई है। आप इसे किसी सवाल की एम्बेडिंग देते हैं और यह वे एम्बेडिंग्स लौटाता है, और उनके पीछे का टेक्स्ट, जिनका अर्थ मिलता-जुलता हो। यह चैट-विद-योर-डॉक्यूमेंट्स का खोज वाला आधा हिस्सा है जब भी कलेक्शन इतना बड़ा हो कि उसे पूरा भेजा न जा सके।
क्या मुझे अपने दस्तावेज़ों के साथ AI इस्तेमाल करने के लिए वेक्टर डेटाबेस चाहिए?
सिर्फ़ तभी जब दस्तावेज़ मॉडल की कॉन्टेक्स्ट विंडो में फिट न हों। एक अकेली रिपोर्ट या अनुबंध मॉडल को पूरा भेजा जा सकता है, जो Whizi अटैचमेंट और पिन की गई प्रोजेक्ट फ़ाइलों के साथ करता है। हज़ारों दस्तावेज़ों की लाइब्रेरी को रिट्रीवल की ज़रूरत होती है, और रिट्रीवल को एक वेक्टर इंडेक्स की, चाहे वह किसी डेडिकेटेड प्रोडक्ट में हो या pgvector जैसे Postgres एक्सटेंशन में।
वेक्टर डेटाबेस और एक सामान्य डेटाबेस में क्या फ़र्क़ है?
एक सामान्य डेटाबेस मानों से मिलान करता है: यह ID, यह तारीख़, यह सटीक शब्द। एक वेक्टर डेटाबेस अर्थ से मिलान करता है, उन स्टोर किए गए आइटम को लौटाकर जिनकी एम्बेडिंग्स क्वेरी के सबसे नज़दीक हैं। यह आमतौर पर अनुमानित होता है, HNSW जैसे इंडेक्स का इस्तेमाल करते हुए जो हर आइटम के बजाय कुछ सौ उम्मीदवारों की जांच करता है, और यह उस सटीक मिलान में कमज़ोर है जो एक सामान्य डेटाबेस अच्छी तरह करता है।
सबसे ज़्यादा इस्तेमाल होने वाले वेक्टर डेटाबेस कौन से हैं?
Pinecone, Weaviate, Qdrant, Milvus और Chroma आम स्टैंडअलोन प्रोडक्ट हैं, और pgvector यही क्षमता Postgres में जोड़ देता है। Elasticsearch और OpenSearch भी वेक्टर सर्च देते हैं। चुनाव आमतौर पर ऑपरेशनल होता है, स्केल और होस्टिंग के बारे में, क्योंकि ये सभी एक ही अनुमानित नज़दीकी पड़ोसी विचार लागू करते हैं।
पूरी फ़ाइल भेजने के मुक़ाबले रिट्रीवल कितना बचाता है?
एक 300,000-टोकन रिपोर्ट पर दस सवालों की कीमत Claude Sonnet 5 पर $6.00 है अगर फ़ाइल हर टर्न पर भेजी जाए, और $0.10 है अगर इसके बजाय पांच 1,000-टोकन पैराग्राफ रिट्रीव किए जाएं, OpenRouter की लिस्ट दरों पर जो 2026-08-20 को ली गई हैं। GPT-5.6 Luna पर वही जोड़ा $0.60 के मुक़ाबले $0.01 है। अनुपात हर मॉडल पर 60 गुना है क्योंकि दोनों डिज़ाइन एक ही प्रति-टोकन दर चुकाते हैं।
