Vector database: wat het is en wanneer u het tegenkomt.
Een vector database is een database die gegevens opslaat als embeddings: lange reeksen getallen die de betekenis van een tekst, afbeelding of ander object vastleggen. In plaats van op exacte trefwoorden zoekt zo'n database op betekenisovereenkomst, door vectoren te vergelijken die dicht bij elkaar liggen. Dat maakt hem de zoekmotor onder RAG-toepassingen, semantisch zoeken en aanbevelingssystemen.
Ook wel: vectordatabase, vector store, embedding database, vector search.
Door Saif Waleed Ibrahim, oprichter NEXTRIQ · 6× Anthropic-gecertificeerd · Bijgewerkt 28 september 2026
Uitleg
Vector database in de praktijk.
Hoe werkt een vector database?
Eerst zet een embeddingmodel elk stuk tekst om in een vector: een lijst van honderden tot duizenden getallen waarin teksten met vergelijkbare betekenis ook vergelijkbare getallen krijgen. Een vraag wordt op dezelfde manier omgezet. De database zoekt vervolgens de opgeslagen vectoren die het dichtst bij de vraagvector liggen, meestal met cosinusgelijkenis als maat. Omdat het vergelijken van een vraag met miljoenen vectoren te traag zou zijn, gebruiken vector databases benaderende indexen zoals HNSW, die met een kleine kans op een gemiste treffer veel sneller zoeken. Naast de vector wordt metadata opgeslagen (bron, datum, afdeling, rechten), zodat u kunt filteren voordat of terwijl u zoekt. Veel systemen combineren vectorzoeken met klassiek trefwoordzoeken, omdat vectoren goed zijn in betekenis maar zwak in exacte namen, artikelnummers en afkortingen.
Welke vector databases zijn er en wat kiest u?
Er zijn grofweg drie routes. De eerste is een uitbreiding op een bestaande database: pgvector voegt vectorzoeken toe aan Postgres, en ook Elasticsearch, OpenSearch, MongoDB en Redis hebben vectorondersteuning. De tweede is een gespecialiseerde vector database die u zelf host of als dienst afneemt, zoals Qdrant, Weaviate, Milvus of Chroma. De derde is een volledig beheerde dienst zoals Pinecone. Voor de meeste mkb-toepassingen is pgvector in een bestaande Postgres-database de praktische keuze: geen extra systeem, gewone SQL, transacties en back-ups die u al kent, en hosting bij een Europese aanbieder. Een gespecialiseerde database wordt interessant bij zeer grote collecties, strenge eisen aan snelheid of geavanceerde filtering. Kies pas na een test met uw eigen data, want de kwaliteit van het embeddingmodel en het opknippen van documenten weegt zwaarder dan het merk van de database.
Wanneer heeft u geen vector database nodig?
Een vector database is een middel, geen doel. Als uw kennisbank uit een handvol documenten bestaat, past de hele inhoud in het contextvenster van een modern taalmodel en is zoeken overbodig. Als gebruikers vooral op exacte termen zoeken, zoals artikelnummers, klantnamen of factuurnummers, doet een gewone zoekindex het beter. En als de gegevens al netjes in tabellen staan, is een SQL-query preciezer dan een betekeniszoekopdracht. Een vector database wordt pas nuttig bij grotere hoeveelheden ongestructureerde tekst waarin mensen in hun eigen woorden zoeken: handleidingen, e-mails, contracten, notities en productbeschrijvingen. Ook dan blijft de kwaliteit afhankelijk van de voorbereiding: documenten opknippen in logische stukken, metadata toevoegen en verouderde bestanden opruimen. Wie dat overslaat, krijgt een snelle zoekmachine op een rommelige kast.
Voorbeeld
Zo ziet het eruit in een mkb-bedrijf.
Uit de praktijk
Een groothandel in installatiemateriaal heeft een grote verzameling productbladen, montagehandleidingen en veelgestelde vragen van fabrikanten in pdf-vorm. Klanten bellen met vragen als welke koppeling op een bepaalde leiding past, en medewerkers zoeken lang in mappen. Alle documenten worden opgeknipt, omgezet in embeddings en opgeslagen in de bestaande Postgres-database met pgvector, inclusief metadata over fabrikant en productgroep. Een zoekfunctie op het klantportaal en een interne assistent zoeken nu op betekenis, ook als de klant andere woorden gebruikt dan de handleiding. Artikelnummers worden daarnaast via een gewone trefwoordindex gevonden. Nieuwe documenten worden automatisch verwerkt zodra ze in de map verschijnen. U geeft klanten sneller antwoord en uw medewerkers hoeven niet meer uit het hoofd te weten in welke pdf iets staat.
Wilt u dit toepassen? Kijk bij Software op maat of plan een gratis gesprek.
Verwante begrippen
Hier hangt het mee samen.
RAG
LLM
Context engineering
API-koppeling
Veelgestelde vragen
Vragen over Vector database.
Wat is een embedding?
Een embedding is een reeks getallen die de betekenis van een tekst, afbeelding of ander object samenvat, gemaakt door een embeddingmodel. Teksten die over hetzelfde gaan krijgen embeddings die dicht bij elkaar liggen, ook als ze andere woorden gebruiken. Een vector database slaat die embeddings op en zoekt op de afstand ertussen. Het embeddingmodel bepaalt daarmee in hoge mate hoe goed het zoeken werkt.
Wat is het verschil tussen een vector database en een gewone database?
Een gewone database zoekt op exacte waarden: een klantnummer, een datum, een woord dat letterlijk voorkomt. Een vector database zoekt op betekenis, door getallenreeksen te vergelijken die de inhoud beschrijven. Beide hebben hun plek: exacte gegevens horen in gewone tabellen, vrije tekst waarin mensen in eigen woorden zoeken is geschikt voor vectoren. Met pgvector kunt u beide in één Postgres-database combineren.
Wanneer heeft mijn bedrijf een vector database nodig?
Zodra u een AI-toepassing wilt die antwoorden geeft op basis van een grotere hoeveelheid eigen documenten, of een zoekfunctie die begrijpt wat iemand bedoelt in plaats van welke woorden hij typt. Bij een klein aantal documenten of bij zoeken op exacte codes is hij overbodig. Een korte test met uw eigen bestanden laat meestal snel zien of betekeniszoeken meerwaarde heeft boven de zoekfunctie die u nu gebruikt.
Wat kost een vector database?
Open-source oplossingen zoals pgvector en Qdrant zijn gratis in gebruik; u betaalt voor hosting en voor het omzetten van documenten in embeddings, wat per aanroep bij de modelaanbieder wordt afgerekend en doorgaans bescheiden is. Beheerde diensten rekenen per opslag en zoekvolume. De grootste kostenpost is het inrichten: documenten verwerken, koppelen aan uw systemen en testen. Daarvoor ontvangt u een vaste prijs na een gratis gesprek.
Bronnen
Waar deze uitleg op steunt.
Alle begrippen op een rij: begrippen en de compacte AI-begrippenlijst.