Vektör veritabanı nedir?

Vektör veritabanı tek bir soruyu çok hızlı yanıtlar

Ona bir sayı listesi ver, sana saklı listeler arasından ona en yakın olanları döndürsün. Arayüzün tamamı bu.

Bu listeler gömme (embedding) verileridir. Bir gömme modeli, bir pasajı, bir ürün açıklamasını veya bir görseli birkaç yüzden birkaç bine kadar sayıya dönüştürür ve benzer anlamları birbirine yakın yerleştirir; yapay zekada gömme (embedding) nedir bunun nasıl yapıldığını anlatır. Bu listeler çok sayıda biriktiğinde barındıkları yer bir vektör veritabanıdır. Her birini bir kimlik ve bazı meta verilerle saklar, üzerlerine bir indeks kurar ve en yakın komşu aramasını yanıtlar: "işte bir sorgu vektörü, bana en yakın on taneyi ver."

Zor kısım "hızlı" kelimesidir. Her biri 1.536 sayıdan oluşan bir milyon saklı vektörle bir sorguyu karşılaştırmak 1,5 milyar çarpma demektir ve bunu her tuş vuruşunda yapmak ölçeklenmez. Bu yüzden vektör veritabanları yaklaşık en yakın komşu indeksleri kullanır; en yaygını, Malkov ve Yashunin'in 2016 tarihli makalesinden gelen bir grafik yapısı olan HNSW'dir. Bu yapı bir milyon aday yerine birkaç yüzünü ziyaret eder ve neredeyse her seferinde doğru yanıtı verir. Bu "neredeyse" bir takas anlamına gelir: bin kat hız artışı karşılığında biraz kesinlik kaybı.

Mevcut veritabanın kelimeleri eşleştirir; vektör veritabanı anlamı eşleştirir

İlişkisel bir veritabanı değerleri eşleşen satırları bulur: WHERE customer_id = 4127. Tam metin indeksi belirli kelimeleri içeren belgeleri bulur: refund AND policy. Vektör veritabanı ise anlamı yakın olan kayıtları bulur: "param nasıl geri alınır" sorgusu, iki metin ortak hiçbir kelime paylaşmasa bile "İadeler ve geri ödemeler" başlıklı pasajı döndürür.

Son satır kategorinin ne kadar bulanık olduğunu gösteriyor. pgvector, sıradan Postgres'e vektör sütunları ve bir HNSW indeksi ekler; Elasticsearch ise 2019'daki 7.0 sürümünden beri bir vektör alanı, 2022'deki 8.0 sürümünden beri de HNSW arama taşıyor. "Vektör veritabanı" çoğu zaman yeni bir ürün değil, halihazırda kullandığın bir veritabanının içindeki bir yetenektir; bağımsız ürünler ise Postgres'in yapamadığı bir şeyi yapmak yerine ölçek ve operasyonel cila konusunda rekabet eder.

Belgelerinle sohbet etmek, ucunda model olan bir vektör aramasıdır

RAG nedir sayfasının anlattığı erişim destekli üretimin (retrieval-augmented generation) bir arama adımı, bir de yazma adımı vardır. Vektör veritabanı arama adımıdır.

1. Her belgeyi birkaç yüz ile bin token arasındaki pasajlara böl.
2. Her pasajı göm ve vektörleri, pasaj metniyle ve kaynağıyla birlikte vektör veritabanında sakla.
3. Bir soru geldiğinde onu göm ve veritabanından en yakın pasajları iste.
4. Bu pasajları soruyla birlikte dil modeline ver ve yanıtı yazmasına izin ver.

Birinci ve ikinci adımlar belgeler eklenirken bir kez gerçekleşir. Üçüncü ve dördüncü adımlar ise her soruda gerçekleşir. Dil modeli koleksiyonun tamamını hiçbir zaman görmez; yalnızca veritabanının seçtiği beş ya da on pasajı görür. Yanıtın kalitesinin aramanın kalitesine bağlı olmasının nedeni budur: en yakın vektör yanlış pasajsa model kendinden emin biçimde yanlış soruyu yanıtlar; yapay zeka halüsinasyonu nedir bunu bir uydurma değil bir erişim hatası olarak sınıflandırır.

Ne zaman buna ihtiyacın var, ne zaman tüm dosyayı göndermek daha iyi

Karar boyutla ilgilidir. Bir model aynı anda yalnızca kendi bağlam penceresini değerlendirebilir ve içindeki her token her turda ücretlendirilir. Vektör veritabanının amacı, modelin önüne yalnızca ilgili kısmı koymaktır. Sığan tek bir belge için erişim atlanabilecek bir adımdır; sığmayan bir koleksiyon için ise tek seçenektir.

İki tasarımı 300.000 tokenlık, birkaç yüz sayfalık bir raporda, on soru sorularak ve soru başına beş adet 1.000 tokenlık pasaj çekilerek fiyatlandıralım. Dosyanın tamamını her seferinde göndermek 3 milyon girdi tokeni demektir. Soru başına beş adet 1.000 tokenlık pasaj çekmek ise 50.000 token demektir. Yapay zeka model maliyet endeksindeki, 2026-08-20 tarihinde OpenRouter'dan alınan liste girdi fiyatlarına göre fark her modelde 60 kattır. Sağlayıcının sunduğu yerlerde önbelleğe alınan istemler (prompt caching), aynı dosyanın yeniden okunmasını liste fiyatının onda biri ile yarısı arasında bir bedelle faturalandırır; bu da farkı kabaca 6 ile 30 kat arasına indirir. Erişim yine de kazanır, ama daha az farkla.

Tüm dosyayı gönderme tasarımı, dosya bütçeye sığdığında bu paranın karşılığını verir: yaklaşık 40.000 tokenlık, 60 sayfalık bir sözleşme, modelin "burada 14. madde ile çelişen bir şey var mı" gibi belgenin tamamını aynı anda gerektiren soruları yanıtlamasına izin verir; erişim bunu soramaz çünkü 14. maddeyi ve olası çelişkiyi asla aynı grupta görmez. Buradan çıkan kural şudur: tek bir belge, ya da bir avuç belge, bütün halinde girer; bir kütüphane ise vektör veritabanından geçer. İkisi arasında kalıyorsan yüklemeyi konuya göre böl, böylece model ihtiyaç duyduğu bölümü alır.

Whizi, 40.000 tokenlık bir tur sınırına kadar metnin kendisini gönderir

Whizi, sohbetin için bir vektör veritabanı çalıştırmaz. Bir dosya eklediğinde belge yükleme süreci metni çıkarır ve tur başına düz 40.000 tokenlık bir bütçeye kadar model istemine metin olarak gönderir; daha uzun bir yükleme, bir bildirimle ve mesaj içi bir işaretçiyle belirtilerek kesilir. Proje dosyaları da aynı şekilde çalışır: projeler özelliği en fazla 10 dosyayı sabitler ve her mesajda metinlerini yeniden istemin içine kurar; bu, dosya başına 32.000 karakterle ve tüm proje bloğu için 120.000 karakterle sınırlıdır.

Sınırlar tasarımın kenarını oluşturur. 32.000 karakteri aşan sabitlenmiş bir dosya kısaltılır, 40.000 tokenlık tur bütçesini aşan bir ek kesilir ve bir proje aranabilir bir kütüphane değil bir klasördür. Bu takas bilinçli olarak yapılmıştır: tur bütçesine sığan bir sözleşme veya makale için metnin orada bulunması, aranmasından daha iyidir; asıl önemli kontrol olan modelden kullandığı pasajı alıntılamasını istemek işe yarar çünkü pasaj gerçekten oradadır. Binlerce belge için doğru araç bir vektör veritabanıdır, bir sohbet uygulaması değil.

Bu mekanizmadan iki alışkanlık devreye girer. Birden fazla dosya eklendiğinde sorununda dosyayı adıyla an, aksi halde model sessizce kendi seçimini yapar. Ve harekete geçeceğin her yanıtta alıntı iste. Bir erişim sistemi yanlış pasajı döndürebilir; tüm dosyayı gönderen bir sistem ise dosya yerine hafızasından yanıt verebilir. Alıntı her ikisini de yakalar.