Vektorsökning (semantisk sökning)
Snabb definition
Vektorsökning är en hämtningmetod som returnerar de objekt vars inbäddningar är närmast frågans inbäddning, så att resultaten matchar efter betydelse snarare än efter delade nyckelord. Det är den vanliga motorn för semantisk sökning.
På den här sidan
Hur vektorsökning fungerar
Varje dokument, avsnitt eller produkt omvandlas till en inbäddning och lagras i ett index. Vid frågetid inbäddas frågan med samma modell, och indexet returnerar de närmaste vektorerna, vanligtvis mätt med kosinuslikhet. En kund som frågar "något varmt för skidåkning" kan hitta en jacka som beskrivs som "isolerad, vattentät vinterjacka" även om inget ord matchar.
Att jämföra en fråga med miljontals vektorer en och en skulle vara långsamt, så index använder approximativa närmaste granne-algoritmer. HNSW, en lagerstruktur beskriven av Malkov och Yashunin 2016, är en av de mest använda; den handlar om en liten förlust av noggrannhet för mycket snabb sökning. Öppen källkods-tillägg som pgvector tar dessa index till PostgreSQL.
Semantisk sökning vs nyckelordsökning
Nyckelordsökning (BM25, fulltext, trigram-matchning) är exakt på exakta termer: en produktreferens, ett varumärke, en felkod. Den misslyckas med synonymer och omformuleringar. Vektorsökning är det omvända: stark på betydelse, svag på exakta strängar och sällsynta identifierare.
Det är därför de flesta produktionssystem använder hybrid sökning: kör båda, och slå sedan samman eller omrankera resultaten. Forskning om tät hämtning, såsom Karpukhin och kollegors arbete 2020 om frågesvar, visade hur mycket semantisk hämtning förbättrar återkallande, och praktiker har sedan dess lärt sig hur mycket det fortfarande drar nytta av en nyckelords-partner.
Fallgropar
Vektorsökning returnerar alltid något, även när inget relevant finns, så ett system behöver en relevansgräns eller en kontroll innan resultaten används. Det förstår inte siffror eller begränsningar: “under 50 euro, i lager, storlek M” behöver verkliga filter på strukturerad data. Och kvaliteten beror på hur innehållet delades: stycken som är för långa suddar ut betydelsen, stycken som är för korta förlorar kontext.
Vektorsökning i AI SmartTalk
AI SmartTalk lagrar inbäddningar i PostgreSQL med pgvector, med en HNSW-index på produkt-dokument, och kombinerar vektorsimilaritet med trigram- och fulltextsökning. För produkter lägger assistentens sökverktyg till strukturerade filter på pris, lager, märke, kategori och variantattribut, så att en semantisk fråga och en precis begränsning kan besvaras tillsammans.
Vanliga frågor
Är semantisk sökning samma som vektorsökning?
Semantisk sökning är målet — att hitta resultat efter betydelse. Vektorsökning över inbäddningar är det vanligaste sättet att uppnå det, ofta i kombination med nyckelordsökning.
Behöver jag en dedikerad vektordatabas?
Inte nödvändigtvis. Tillägg som pgvector lägger till vektorindex i PostgreSQL, vilket är tillräckligt för många applikationer och håller vektorer bredvid resten av datan.
Vad är hybrid sökning?
En sökning som kör vektorsökning och nyckelordsökning tillsammans och slår samman resultaten, så att den hanterar både omformulerade frågor och exakta termer som produktreferenser.