Database vettoriale: come funziona e quando serve davvero

Per aggiungere una ricerca basata sul significato non serve necessariamente un altro database: PostgreSQL, il database relazionale che potresti già usare, può farlo con l'estensione pgvector. Per capire che cos'è un database vettoriale, conviene distinguere 3 compiti: rappresentare i contenuti come numeri, recuperare record simili e limitare i risultati ai dati ammessi. Un servizio separato si giustifica quando le sue capacità di ricerca o il suo modello operativo soddisfano un requisito che il sistema esistente non riesce a coprire.

Le funzionalità dei database descritte di seguito sono state verificate sulla documentazione ufficiale dei produttori il 20 ottobre 2026. L'esempio relativo all'assistenza serve a illustrare il funzionamento: non è un benchmark né il resoconto di un'implementazione reale.

Che cos'è un database vettoriale e come funziona?

Un database vettoriale memorizza rappresentazioni numeriche dei contenuti e trova i record le cui rappresentazioni sono vicine a quella di una query. Così una ricerca come «Non riesco ad accedere» può trovare un articolo sul recupero dell'account anche se le parole sono diverse. Questa funzione può essere offerta da un servizio dedicato oppure aggiunta a un database esistente. La spiegazione di Pinecone descrive le funzioni di archiviazione, indicizzazione e ricerca.

Un embedding si può immaginare come un indirizzo su una mappa di idee correlate. Un modello di embedding, cioè un software addestrato a trasformare i contenuti in rappresentazioni numeriche, colloca gli elementi affini uno vicino all'altro. Il database memorizza questi indirizzi e trova gli elementi nelle vicinanze. La mappa è appresa dal modello: la vicinanza è quindi un indizio utile di pertinenza, non una garanzia.

L'embedding è l'elenco di numeri. Una dimensione è una posizione di quell'elenco. In genere non è possibile assegnare a ogni posizione un'etichetta come «fatturazione», «sicurezza» o «soddisfazione del cliente»: il significato è distribuito nell'intera rappresentazione. Testi, immagini e audio possono essere trasformati in embedding da un modello adatto. La documentazione di Qdrant sui vettori spiega questa rappresentazione.

Quali dati vengono memorizzati?

Per essere utile alla ricerca, un record deve contenere più del solo embedding. Servono un ID stabile, il vettore e i metadati: normali campi come prodotto, lingua, tenant e stato di pubblicazione. Il testo originale va conservato insieme al record, oppure deve essere recuperabile dall'applicazione tramite un identificatore. Da solo, un embedding non fornisce al generatore di risposte il passaggio originale da citare. Le definizioni di record e documenti di Pinecone chiariscono la differenza tra le rappresentazioni su cui si esegue la ricerca e i campi associati.

Nel caso di un articolo di assistenza, il record di ricerca potrebbe rappresentare un singolo passaggio autonomo anziché l'intera pagina. Questo passaggio si chiama chunk. Tenere insieme le istruzioni per il recupero dell'account è più utile che spezzarle a metà dell'eccezione che spiega al cliente come procedere.

Una mappa per capire la ricerca vettoriale

La distanza esprime la somiglianza nello spazio del modello. Non è una distanza fisica, e un disegno può soltanto illustrare il concetto.

È il modello di embedding a determinare questa mappa. Cambiare database non migliora automaticamente il modo in cui il modello colloca una query ambigua. Per scegliere il modello, parti dal confronto tra i migliori modelli di embedding, poi valutalo sulle domande dei tuoi utenti.

Come funzionano la ricerca per similarità e gli indici?

La query viene elaborata con un modello di embedding e una configurazione compatibili con quelli usati per i contenuti memorizzati. Se il modello prevede modalità distinte per query e documenti, vanno usate secondo le sue indicazioni. Il database confronta il vettore risultante con la metrica di distanza appropriata, per esempio la distanza coseno o quella euclidea, e restituisce i record più vicini. La guida di Pinecone all'indicizzazione documenta questo processo.

Un indice è una struttura aggiuntiva che permette alla ricerca di evitare il confronto con ogni vettore memorizzato. La ricerca esatta trova i record più vicini secondo la metrica scelta. La ricerca approssimata dei vicini più prossimi, spesso abbreviata in ANN, può tralasciare alcuni dei vicini effettivi per ridurre il lavoro necessario alla ricerca. In questo contesto, il recall misura quanti di quei vicini vengono recuperati dalla ricerca approssimata; non misura se una risposta è vera.

Due famiglie di indici comuni sono HNSW, un grafo di collegamenti tra elementi vicini, e IVFFlat, che suddivide i vettori in gruppi ed esegue la ricerca nei gruppi più vicini. Il README di pgvector li documenta entrambi. Per il tuo prodotto, la domanda è se il risparmio nel lavoro di ricerca compensi il rischio di perdere risultati pertinenti.

Filtrare i risultati tramite i metadati

I filtri stabiliscono quali record sono ammessi; la similarità ordina le corrispondenze. Una query potrebbe richiedere product=workspace, language=en e status=published, oltre al tenant a cui il cliente è autorizzato ad accedere. Sono condizioni esplicite, non concetti che si può sperare vengano compresi da un embedding. La guida di Pinecone ai filtri sui metadati mostra come restringere una ricerca.

Il server deve ricavare il tenant e i permessi dall'identità autenticata. Un filtro fornito dal browser o da un agente non costituisce, da solo, un'autorizzazione. Prima che i passaggi riservati arrivino al modello che genera la risposta, occorre verificare che l'utente possa ancora accedere ai record di origine.

Un esempio di database vettoriale: trovare risposte negli articoli di assistenza

La ricerca in un servizio di assistenza dovrebbe recuperare il passaggio che risolve il problema del cliente, anche quando il cliente non conosce il titolo dell'articolo.

Consideriamo 3 articoli ipotetici:

• Recupero dell'account: «Se il dispositivo di autenticazione non è disponibile, usa un codice di recupero salvato. Se non hai un codice di recupero, contatta l'assistenza».
• Indirizzo di fatturazione: «Modifica l'indirizzo da usare nelle fatture future dalle impostazioni di fatturazione».
• Invitare un collega: «Un amministratore può inviare un invito all'area di lavoro dalle impostazioni dei membri».

Il cliente chiede: «Ho perso il telefono e non riesco a superare la richiesta del codice di accesso». Il risultato desiderato è l'articolo sul recupero dell'account. È un obiettivo da usare nella valutazione, non una garanzia che ogni modello di embedding lo metta al primo posto.

1. 1

   Prepara i passaggi di origine

   Conserva ogni passaggio che permette di rispondere a una domanda insieme all'ID dell'articolo, al titolo, alla posizione della fonte e ai permessi attuali. Evita di separare un'istruzione dall'eccezione che ne precisa l'applicazione.

2. 2

   Genera e memorizza gli embedding

   Elabora ogni passaggio con il modello di embedding scelto. Salva il vettore insieme all'ID della fonte e ai metadati, inclusi prodotto, lingua e stato di pubblicazione. Conserva la configurazione del modello, in modo che le query successive usino rappresentazioni compatibili.

3. 3

   Cerca nei contenuti ammessi

   Genera l'embedding della domanda del cliente, applica i vincoli relativi al prodotto e ai permessi e recupera i record vicini. Esamina i passaggi recuperati, non soltanto i punteggi di similarità.

4. 4

   Mostra la fonte o componi una risposta

   Un'interfaccia di ricerca può mostrare direttamente l'articolo corrispondente. Un'interfaccia che genera risposte può fornire il passaggio a un modello linguistico, chiedendogli di citare la fonte e di dichiarare quando le informazioni disponibili non sono sufficienti.

Una risposta plausibile basata sul passaggio fornito è: «Usa un codice di recupero salvato. Se non ne hai uno, contatta l'assistenza». La risposta non deve inventare un modo per aggirare la sicurezza dell'account solo perché il cliente sembra frustrato.

Come creare un database vettoriale per la RAG?

Realizza prima il recupero delle informazioni e aggiungi solo dopo la generazione delle risposte. La Retrieval-augmented generation, o RAG, consiste nel fornire a un modello linguistico materiale recuperato da usare mentre scrive una risposta. Il database vettoriale trova le possibili fonti; il modello linguistico compone la risposta. Le responsabilità restano distinte anche quando un fornitore le riunisce in un unico prodotto. La spiegazione della RAG di Pinecone descrive questa relazione.

Nel prodotto di assistenza, verifica prima che le domande sul recupero dell'account restituiscano il passaggio corretto. Poi controlla che la risposta generata non vada oltre quel passaggio. Se arriva il documento sbagliato, modificare il prompt della risposta non può correggere in modo affidabile il recupero delle informazioni.

Un agente può decidere di cercare di nuovo, riformulare una domanda o consultare un'altra fonte. Questo aggiunge un ciclo di controllo attorno al recupero delle informazioni, senza cambiare ciò che i vettori memorizzano. La guida alla RAG agentica approfondisce questo passo successivo nell'architettura.

Quando basta PostgreSQL e quando conviene un servizio gestito?

Mantieni i vettori nel database esistente se il recupero delle informazioni soddisfa i requisiti del prodotto. Separali quando la ricerca richiede capacità indipendente, comportamenti specializzati o un modello operativo che il team non può ragionevolmente garantire. È una raccomandazione architetturale ricavata dai comportamenti documentati di seguito, non una classifica basata su misurazioni.

Per un confronto più ampio tra prodotti, con i prezzi, consulta la guida ai migliori database vettoriali. Qui la scelta dipende da ciò che deve fare la tua applicazione.

pgvector: la ricerca accanto ai dati dell'applicazione

pgvector aggiunge a PostgreSQL la ricerca per similarità vettoriale, mantenendo i join SQL, che combinano record correlati, e le transazioni, che rendono definitive più modifiche insieme. È quindi un buon punto di partenza per un prodotto SaaS in cui documenti e permessi degli account condividono già un database. Il README ne documenta le funzionalità.

Il vantaggio architetturale è avere un unico posto in cui associare un passaggio al suo proprietario, al suo stato e alla sua fonte. Gli embedding vanno comunque rigenerati quando cambiano i contenuti, ma per avviare la ricerca si può evitare di copiare i metadati dei permessi in un altro database.

I limiti da affrontare sono il recupero approssimato con filtri e la condivisione delle risorse. Per impostazione predefinita, pgvector esegue una ricerca esatta. Con gli indici approssimati, i filtri vengono applicati dopo la scansione dei candidati nell'indice: una query può quindi restituire troppo poche righe ammesse. Il README indica tra le opzioni le scansioni iterative, gli indici sulle colonne usate nei filtri, gli indici parziali e il partizionamento. Consulta le indicazioni sui filtri.

Per esempio, un filtro sui permessi potrebbe escludere la maggior parte dei candidati iniziali. Prima di considerare inadeguato il database, affronta il problema nella progettazione della query. Poi misura se la soluzione richiede più memoria o tempo di ricerca di quanto il prodotto possa tollerare insieme alle normali transazioni.

Scegli pgvector quando questa configurazione soddisfa i requisiti e il team sa gestire PostgreSQL. La crescita di un prototipo, da sola, non giustifica una migrazione: serve un requisito preciso che resti insoddisfatto.

Pinecone: delegare la gestione dell'infrastruttura di ricerca

Pinecone è adatto quando serve un servizio di recupero separato senza dover gestire l'infrastruttura sottostante. La sua documentazione architetturale descrive un servizio gestito con infrastruttura serverless, in cui Pinecone gestisce la capacità sottostante e i percorsi di lettura e scrittura scalano in modo indipendente.

La panoramica del servizio documenta l'uso di vettori forniti dall'applicazione, le opzioni di embedding integrato, i filtri sui metadati e i namespace, partizioni logiche che possono separare i tenant. Un caso concreto è quello di un piccolo team di prodotto che ha bisogno di capacità di ricerca indipendente e che, altrimenti, dovrebbe farsi carico di un'altra installazione di database.

L'integrazione con l'applicazione resta sotto la tua responsabilità. Il prodotto deve inviare al servizio modifiche ai contenuti, eliminazioni e aggiornamenti dei permessi, e rilevare eventuali errori di sincronizzazione. Un'infrastruttura gestita non decide se un articolo è aggiornato o se un utente è autorizzato.

Pinecone documenta anche la consistenza eventuale: i record modificati possono impiegare del tempo prima di diventare visibili alle query. Usa le indicazioni sull'aggiornamento dei dati quando progetti esperienze in cui si carica un contenuto e si pone subito una domanda. Una scrittura riuscita non dimostra che la ricerca successiva ne rifletta già il risultato.

Pinecone giustifica il proprio costo quando affidare l'infrastruttura a un fornitore e separare la ricerca dal traffico applicativo sono esigenze concrete. È più difficile giustificarlo se il database esistente soddisfa già quelle esigenze e la sincronizzazione diventa il principale problema aggiunto.

Qdrant: un motore dedicato con più opzioni di distribuzione

Qdrant offre un motore di ricerca vettoriale dedicato, disponibile sia come software open source sia come servizio cloud gestito. La panoramica descrive punti che contengono vettori e payload, cioè i campi aggiuntivi che forniscono contesto e permettono di filtrare i risultati.

Per un prodotto che gestisce conoscenza e combina condizioni su tenant, stato dei documenti e gruppi di accesso, meritano attenzione la documentazione sui filtri e la guida all'indicizzazione. Gli indici sul payload aiutano a valutare i filtri e a pianificare le query; l'HNSW filtrabile aggiunge collegamenti associati ai valori del payload indicizzati.

Servono una progettazione accurata degli indici e la gestione di un ulteriore archivio. Qdrant raccomanda di creare gli indici sul payload prima dell'importazione dei dati, così il grafo vettoriale può includere i collegamenti che tengono conto dei filtri. Aggiungerli in seguito può richiedere la ricostruzione dell'indice HNSW per ottenere quel beneficio. Anche la gestione di un'installazione sulla propria infrastruttura resta a carico del team; Qdrant Managed Cloud offre cluster gestiti, scalabilità, monitoraggio e backup.

Valuta Qdrant quando il comportamento dei suoi filtri o la scelta delle modalità di distribuzione risponde a un requisito specifico. Un motore dedicato richiede la stessa disciplina nell'aggiornare ed eliminare le fonti di qualsiasi altro archivio di ricerca separato.

Quali limiti verificare prima del rilascio?

Misura il recupero delle informazioni con i filtri e gli aggiornamenti che incontreranno gli utenti. Una ricerca veloce su tutti i documenti dice poco sull'esperienza di un cliente che può accedere solo a un piccolo sottoinsieme.

Il numero di dimensioni deve essere compatibile con la rappresentazione usata nell'indice. Il README di pgvector indica un limite di 2,000 dimensioni per gli indici vector con HNSW o IVFFlat e di 4,000 per halfvec, la rappresentazione a precisione dimezzata. Sono limiti degli indici, non limiti universali dei dati memorizzati nelle righe. Verifica la compatibilità prima di scegliere definitivamente l'output di un modello di embedding. Documentazione degli indici di pgvector.

Recall e qualità delle risposte richiedono verifiche distinte. Confronta i risultati approssimati con i vicini più prossimi ottenuti dalla ricerca esatta per individuare le perdite dovute all'indice. Valuta separatamente se i passaggi recuperati rispondono alla domanda dell'utente. Una ricerca esatta può restituire fedelmente le fonti sbagliate se il modello rappresenta male il compito.

L'aggiornamento comprende anche la rimozione. La modifica di un articolo dovrebbe sostituire i passaggi obsoleti; la sua eliminazione dovrebbe rimuovere i relativi record di ricerca. Anche la revoca di un permesso deve impedire che quei passaggi arrivino al modello. Verifica queste transizioni con la stessa cura riservata al corretto caricamento dei dati.

Il carico di lavoro va oltre la ricerca. Rigenerare gli embedding dei contenuti modificati, mantenere gli indici e sincronizzare i record di origine restano attività del sistema. Il limite di capacità rilevante è quello raggiunto dal carico di lavoro reale, non un conteggio isolato dei vettori.

Quali promesse sui database vettoriali sono esagerate?

La promessa più eccessiva è che aggiungere un archivio vettoriale dia all'applicazione una memoria affidabile. Fornisce un modo per recuperare rappresentazioni memorizzate. Resta da decidere che cosa ricordare, chi può accedervi, quando l'informazione scade e come una correzione sostituisce un record precedente.

Un'altra promessa esagerata è che la ricerca semantica sostituisca la corrispondenza esatta. Codici prodotto, stringhe di errore e nomi richiedono spesso il recupero lessicale, basato sulla corrispondenza dei termini. La ricerca ibrida combina questo segnale con il recupero semantico. La panoramica di Qdrant segnala esplicitamente che i vettori densi possono non recuperare termini tecnici e identificatori.

Una terza promessa è che la somiglianza dimostri la verità. Un passaggio dal tono sicuro può essere obsoleto, non autorizzato o semplicemente riferito a un problema simile. Mantieni le fonti associate al risultato e prevedi un modo in cui l'applicazione possa dichiarare di non avere informazioni sufficienti a sostenere una risposta.

Per chi fonda un'azienda, significa finanziare la valutazione del recupero prima di ampliare l'infrastruttura. Per chi sviluppa, significa verificare l'intero percorso dall'aggiornamento della fonte alla risposta autorizzata. Per chi gestisce il sistema, significa assegnare la responsabilità degli errori di indicizzazione e dei contenuti obsoleti, anche quando il database è gestito da un fornitore.

Come creare un database vettoriale: da dove partire in pratica

Parti dal database che usi già, da una raccolta di articoli di assistenza in grado di rispondere a domande concrete e da un criterio di accettazione scritto. Se hai a disposizione PostgreSQL, verifica che il fornitore supporti pgvector e abilita l'estensione con la procedura di installazione prevista.

Scegli il modello di embedding e una rappresentazione vettoriale compatibile. Memorizza ogni passaggio insieme all'ID della fonte e ai campi relativi ai permessi. Dove è praticabile, inizia con la ricerca esatta per avere un riferimento, poi aggiungi un indice approssimato solo quando i tempi di ricerca misurati lo richiedono.

Raccogli domande reali rivolte all'assistenza e associa a ciascuna i passaggi che dovrebbero essere recuperati. Includi parafrasi, stringhe di errore esatte, articoli riservati, contenuti modificati di recente e domande a cui la documentazione non sa rispondere. Verifica sia la pertinenza sia l'esclusione: restituire un passaggio utile e trattenere un passaggio non autorizzato sono requisiti distinti.

Definisci livelli accettabili di latenza della ricerca, qualità del recupero e visibilità degli aggiornamenti per il tuo prodotto. Se il database attuale li rispetta, rilascia il prodotto su quello. Se non li rispetta, usa le query problematiche e i requisiti operativi per valutare Pinecone o Qdrant. In questo modo, il servizio gestito ha un compito concreto con cui giustificare il proprio costo.

Domande frequenti

A cosa servono i database vettoriali nell'AI?

Permettono la ricerca basata sul significato, il recupero di informazioni per generare risposte, le raccomandazioni basate sulla similarità e il recupero di contesto memorizzato. Il modello di embedding deve rappresentare il tipo di somiglianza di cui l'applicazione ha bisogno.

A cosa serve un file vettoriale?

Un file di grafica vettoriale descrive forme e tracciati usati nella grafica. È un significato diverso di «vettoriale» rispetto agli embedding numerici trattati qui. Una funzione di ricerca basata sull'AI non richiede un file di grafica vettoriale.

Quali sono alcuni esempi di dati vettoriali?

L'embedding di un passaggio di assistenza, di un'immagine di prodotto o di una clip audio è un dato vettoriale: numeri che rappresentano quell'elemento per uno specifico compito di similarità. Questi dati sono diversi dai vettori geografici o da quelli usati nel disegno.

Che cos'è un vettore nella data science?

Un vettore è una raccolta ordinata di numeri. In un sistema di embedding, quei numeri rappresentano un elemento in modo che i confronti matematici aiutino a individuare elementi correlati.

SQL è un database vettoriale?

SQL è un linguaggio di interrogazione. PostgreSQL con pgvector è un esempio di database relazionale che può anche memorizzare vettori ed eseguire ricerche su di essi. Un servizio vettoriale separato è una scelta architetturale, non un requisito imposto dall'AI.

Quali sono i 3 migliori database vettoriali?

Per la scelta affrontata in questa guida, valuta pgvector se gestisci già PostgreSQL, Pinecone per un'infrastruttura di recupero gestita e Qdrant per un motore dedicato con opzioni open source e di distribuzione gestita. Sono punti di partenza legati a scenari d'uso, non una classifica basata su benchmark.

ChatGPT usa un database vettoriale?

Un'interfaccia conversazionale o una funzione di memoria non permettono di dedurre quale database venga usato. Questo articolo non stabilisce quale sia l'architettura di archiviazione interna di ChatGPT. Per il tuo prodotto, scegli il sistema di archiviazione per il recupero in base ai requisiti, senza basarti su un'implementazione presunta di un altro servizio.

Qual è il miglior database vettoriale gratuito?

Se hai già PostgreSQL, inizia valutando pgvector open source; se serve un motore dedicato, considera Qdrant open source. Nessuna delle due scelte elimina l'hosting e il lavoro operativo. Il modello dei dati esistente e i requisiti di recupero contano più dell'etichetta del software.

Quale database usa l'AI?

Non esiste un unico database obbligatorio. Un'applicazione può usare un archivio relazionale per account e transazioni, una funzione di ricerca vettoriale per la similarità e un archivio delle fonti per i documenti. Queste capacità possono convivere nello stesso sistema o essere distribuite tra servizi separati.

Che cos'è un database vettoriale nell'AI?

È il componente di archiviazione e recupero che esegue ricerche sulle rappresentazioni numeriche dei contenuti. Fornisce record pertinenti a un'applicazione AI; da solo non addestra il modello e non stabilisce se una risposta sia corretta.

Iscriviti alla newsletter per ricevere guide pratiche alla creazione di prodotti AI.