Vector Search
Speichern und durchsuchen Sie Milliarden von Vektoren direkt neben Ihren betrieblichen Daten. Drei Vektortypen ermöglichen es den Teams, die Suchleistung nach Skalierung, gefilterten Abfragen oder hybrider Suche anzupassen, und Couchbase Lite führt die Vektorsuche direkt auf dem Gerät durch. Im Rahmen des Couchbase AI Data Plane™ bietet die Vektorsuche den RAG-Apps und den KI-Agenten einen präzisen und aktuellen Kontext.
Wofür wird die Vektorrecherche in einer Datenbank eingesetzt?
Die Vektor-Suche liefert Ergebnisse mit den nächstgelegenen Nachbarn, ohne dass eine direkte Übereinstimmung erforderlich ist. Text, Bilder, Audio und Video werden in mathematische Darstellungen umgewandelt und für semantische Suche oder zur Überwindung von KI-Herausforderungen eingesetzt. Retrieval-Augmented-Generation (RAG)-Framework. Auf unternehmensweiter Ebene dienen Vektor-Suchtechnologien häufig als Basis für KI-Agenten und Assistenzsysteme für natürliches Sprachverständnis, hybride Suchtechnologien, die Range-, Text- und Vektor-Prädikate kombinieren, sowie Datenanalysen zur Erkennung von Ähnlichkeiten und Anomalien. Couchbase bietet Hyperscale-, Composite- und Search-Vektorindizes, um die Genauigkeit von RAG und Agenten in großem Maßstab zu verbessern, ohne die Performance oder die Betriebskosten zu beeinträchtigen. Couchbase Lite bringt Vektor-Suchfunktionen auf mobile und Edge-Geräte.
Komplexität
Eine separate Vektordatenbank fügt Synchronisierungsprobleme, Administration, Kosten und Latenz zu der gesamten App hinzu. Couchbase speichert Vektoren, operative Daten und die Speicherung von Agenten auf einer einzigen Plattform.
Latenzzeit
Die möglichst schnelle Rückgabe der Ergebnisse ist für die Nutzer von entscheidender Bedeutung. Mehrere Hops und eine schlechte Indexierung beeinträchtigen die Benutzererfahrung. Die vektorbasierte Suche direkt am Gerät eliminiert den gesamten Netzwerkaufwand.
Sicherheit
Erstellen Sie KI-Apps, ohne Unternehmensdaten in öffentliche Modelle einzubinden, und liefern Sie den Nutzern präzise und aktuelle Ergebnisse. Mit Couchbase Lite können sensible Abfragen auf dem Gerät gespeichert werden.
Skalierbarkeit
Couchbase hat sich bewiesen, dass sie Milliarden von Vektoren mit Millisekundenschnelligkeiten verarbeiten kann, sodass Ihre Anwendung weltweit ohne Einschränkungen skalieren kann.
Funktionen des Vektor-Suchschlüssels
Genaue KI-Apps und -Agenten basieren auf der schnellen Abfrage aktueller Daten. Couchbase integriert die Vektorrecherche in die gleiche Plattform, auf der Ihre operativen Workloads ausgeführt werden – von Billionen-Vektor-Clustern in der Cloud bis hin zu Apps, die auf einem einzigen Gerät ausgeführt werden.
AI-Datenplattform für agentische Anwendungen
Die Vektor-Suche ist eine der Ebenen des Couchbase AI Data Planes, zusammen mit der Agent-Memory, dem MCP-Server und dem Model Service. Agenten Erhalten Sie Speicher-, Kontext- und verwaltete Datenzugriffsmöglichkeiten auf einer einzigen Plattform.
Flexibler Vektorindexierung
Wählen Sie Hyperscale für Milliarden-Vektor-Datensätze, Composite für gefilterte Abfragen oder „Search for hybrid keyword and semantic search“, und passen Sie jede Arbeitslast an ihre Leistungs-, Wiedererkennungs- und Kostenanforderungen an.
Leistung in Milliardenhöhe
Hyperskalare Vektorindizes speichern die Cluster-Centroiden in der RAM und die Vektoren auf der Festplatte, sodass Sie Milliarden von Vektoren mit hoher Rückgewinnung durchsuchen können, ohne sie alle in der RAM-Speicher zu speichern.
Cloud-to-Edge-Unterstützung
Couchbase Lite ermöglicht die Verknüpfung von Vektor- und Hybrid-Suchfunktionen auf Geräten mit iOS-, Android-, Desktop- und Embedded-Apps und die Synchronisierung mit Couchbase Capella. So können Edge-AI-Apps lokal antworten und auch ohne Internetverbindung weiterhin funktionieren.
Similarity-Suche, Hybrid-Suche
Ähnlichkeiten sind ein mächtiges Werkzeug, aber reale Szenarien erfordern hybride Suchfunktionen, die Text-, Geolokalisierungs-, Bereichs- und betriebslogistische Daten kombinieren. Dank mehrerer Indexierungsmöglichkeiten können Entwickler ihre hybride Suchstrategie präzise anpassen, um eine optimale Leistung und Relevanz zu erzielen.
Agentic- und RAG-Apps
KI-Agenten benötigen relevante Kontextinformationen, eine dauerhafte Speicherfähigkeit und einen regulierten Zugriff auf Live-Daten. In der Couchbase AI Data Plane arbeitet die Vektor-Suche in Kombination mit der Agenten-Speicher-Technologie und dem MCP-Server, um alle drei Funktionen zu bieten. Mithilfe von RAG können Teams KI-Apps sicherer, genauer und aktueller gestalten.
Betrugs- und Anomalieerkennung
Durch die Umwandlung des Nutzerverhaltens und der Transaktionen in Vektoren können diese Muster mit anderen ähnlichen Vektorbeschreibungen verglichen werden, die möglicherweise auf Betrug hinweisen. Die Vektorsuche ist in der Lage, hochdimensionale Daten und die Identitätsvergleiche effizient zu verarbeiten.
Edge und mobile KI-Apps
Die Verfolgung von Vektor-Suchanfragen auf mobilen und eingebetteten Geräten bietet die Vorteile der Edge-Computing-Technologie: Millisekundige Reaktionszeiten, geringere Bandbreite und geringere Kosten für die Auslieferung der Cloud-Daten, sowie personalisierte Ergebnisse, ohne dass sensible Daten vom Gerät verschwinden. Apps können auch bei Netzwerkausfällen weiterhin Dienste für die Benutzer bereitstellen, und Couchbase Lite 4.1 bietet eine Peer-to-Peer-Synchronisierung über Bluetooth für Teams, die außerhalb des Netzwerkbereichs arbeiten.
Was die Kunden sagen
-
“Die neuen Vektor-Suchfunktionen von Couchbase transformieren die Art und Weise, wie wir Unternehmen kontextbezogene Video-Erkennung bieten.”
Ian Merrington, CTO, Seenit92%
schnellere Implementierung neuer Funktionen
-
“Die Echtzeitkommunikationsdaten von Couchbase sowie die Hochkonkurrentenabfragen verbessern die Leistung und Stabilität der KI-Assistent-Anwendung erheblich.”
Andy Qiu, CEO, Jinmu70M
Dokumente
Verschiedene Kollegen brainstormen und arbeiten während eines Meetings an einer modernen Arbeitsumgebung zusammen, um eine neue Anwendung zu entwickeln, während sie einen Laptop verwenden. -
"Couchbase Search ermöglicht es uns, Kunden Suchergebnisse aus extrem großen Datensätzen sehr effizient zu liefern."
Brant Burnett, Systemsarchitekt, CenterEdge Software360°
Kundenerkenntnisse für ihre Kunden
Geschäftsmänner, die mit Computern, Dokumenten und Sprechen arbeiten. -
“Was Couchbase mit SQL++ erreicht hat, ist eine der innovativsten Entwicklungen im Datenbankbereich in den letzten Jahrzehnten.”
Rechnung Haus, Vizepräsident für Technik, SWARM Engineering400%
Schnellere Planungszeit
FAQ zu Vektor-Suche
Schnelle Antworten zu der Couchbase-Vektor-Suche, einschließlich der Frage, wie sie mit eigenständigen Vektor-Datenbanken vergleichbar ist, welche Indextypen verwendet werden können und wie sie Edge- und RAG-Workloads unterstützt.
Couchbase ist eine Multimodell-Plattform, die leistungsstarke Vektor-Suchtechniken mit Text-, Geodaten- und anderen Suchmethoden kombiniert und so die Notwendigkeit einer separaten, eigenständigen Vektordatenbank eliminiert.
Couchbase unterstützt drei Hauptindextypen: Hyperscale für Datensätze in Milliardenmaßen, Composite für schnelle Filtersuchanfragen und Search für hybride semantisch-keywordsbasierte Abfragen.
Ja. Couchbase Lite ermöglicht die Verknüpfung von Vektor- und Hybrid-Suchfunktionen auf iOS-, Android-, Desktop- und Embedded-Geräten. So können KI-Funktionen lokal reagieren, sensible Suchanfragen privat halten und unabhängig von der Verbindungsqualität funktionieren.
Couchbase speichert die Inkrementen zusammen mit den Quelldaten, und die AI Data Plane generiert sie automatisch aus strukturierten und unstrukturierten Daten, sodass die LLMs präzise und vertrauliche Unternehmenskontexte abrufen können.
Die hybride Vektor-Suche kombiniert semantische Ähnlichkeit, Schlüsselwörter, geographische und räumliche Filter in einer einzigen Abfrage. Couchbase führt alle Prädikate in einem einzigen Durchlauf durch, ohne dass Ergebnisse aus der Anwendung zusammengeführt werden.
Fortfahren mit der Erkundung
-
DOKUMENTATION
Einleitung zu der Vektor-Suche
-
Tutorial
Semantische Suche mithilfe von Hyperscale und Composite-Vector-Indexes implementieren
-
BENCHMARK
Vektor-Suchtests: Couchbase ist bei Billionenwerten 350x schneller als MongoDB