{"canonical_url":"https://engineer.company/da/glossary/vector-search/","content_markdown":"# Vektorsøgning\n\n## Hvad det er\n\nVektorsøgning finder de lagrede elementer, hvis vektorer ligger tættest på\nvektoren for en forespørgsel. På engelsk hedder det vector search. En vektor er\nher en liste af tal med fast længde, som en embeddingmodel danner ud fra et\nstykke tekst, et billede eller en produktpost. Modellen er trænet, så elementer\nmed beslægtet indhold får vektorer, der ligger tæt på hinanden, og derfor kan et\nspørgsmål og det afsnit, der besvarer det, ligge tæt sammen, selv om de ikke har\net eneste ord til fælles.\n\n»Tættest« kræver et mål. pgvector, den PostgreSQL-udvidelse som artiklens\neksempler bygger på, understøtter seks: L2-afstand (euklidisk afstand), indre\nprodukt, cosinusafstand og L1-afstand samt Hamming- og Jaccard-afstand til\nbinære vektorer. Embeddingmodellens egen dokumentation oplyser, hvilket mål dens\nvektorer er beregnet til. For vektorer, der er normaliseret til længden 1, giver\ncosinusafstand og indre produkt naboerne i samme rækkefølge, og her anbefaler\npgvector indre produkt, fordi det giver den bedste ydelse.\n\nDer er to måder at besvare spørgsmålet på. Eksakt søgning sammenligner\nforespørgslen med hver eneste lagrede vektor og returnerer de sande nærmeste\nnaboer. Det gør pgvector som standard, og dokumentationen beskriver det som\nperfekt recall, det vil sige at alle de sande naboer kommer med. Approksimativ\nsøgning kan bruge et indeks, der kun besøger en del af dataene, og bytter noget\nrecall for fart. Hvor mange sande naboer der kommer med, afhænger af dataene,\nindekset og dets indstillinger; selv et flertal er ikke garanteret. Derfor advarer pgvector om, at et approksimativt indeks i\nmodsætning til et almindeligt indeks ændrer det, en forespørgsel returnerer.\n\npgvector har to typer approksimativt indeks. HNSW bygger en graf i flere lag, en\nmetode som Malkov og Yashunin første gang offentliggjorde i 2016: hvert lag\nrummer en delmængde af laget nedenunder, en søgning begynder i det lille øverste\nlag og arbejder sig ned til det fulde, og deres artikel rapporterer, at\nsøgningens omkostning vokser logaritmisk. IVFFlat deler vektorerne op i lister\nog søger kun i de lister, der ligger nærmest forespørgslen.\n\n## Hvorfor det betyder noget\n\nFuldtekstsøgning matcher ord. Med ordmatchning og stemming alene finder en kunde, der skriver »skærmen er helt sort«,\nikke manualens afsnit med overskriften »displayet tænder ikke«, fordi de\nto ikke deler et eneste ord, heller ikke når endelserne er skåret af.\nKonfigurerede synonymer kan bygge bro over nogle af de huller.\nVektorsøgning sammenligner betydning, sådan som embeddingmodellen har opfanget\nden, så klagen og afsnittet kan lande tæt på hinanden. Samme idé virker ud over\ntekst: et billede, der ligner dette, en supportsag, der ligner en allerede løst,\net produkt, der ligner det i kurven.\n\nVektorsøgning er også én måde at klare hentningen på i retrieval-augmented\ngeneration, hvor en stor sprogmodel svarer ud fra tekstafsnit, der er hentet til\nspørgsmålet. Spørgsmålet laves om til en vektor med den samme model som\nafsnittene, og de nærmeste afsnit sendes med i prompten. Svaret kan aldrig blive\nbedre end det, søgningen fandt, så søgningen fortjener den samme omhu som\nmodellen.\n\nAt beholde vektorerne i den database, man allerede kører, har en praktisk side,\nog pgvector indleder sin dokumentation med netop det argument. Vektorerne får de\nsamme transaktioner, den samme point-in-time recovery og de samme joins som alle\nandre kolonner, og fordi pgvector skriver til write-ahead-loggen, følger de også\nmed ved replikering. Et filter på kunde, dato eller rettigheder er en almindelig\n`WHERE`-betingelse på den samme række. Et snapshot taget efter, at en sletning\ner committet, ser ikke længere dokumentet, men en forespørgsel, der bruger et\nældre snapshot, kan stadig se det. Et separat\nvektorlager er et system mere, der skal fyldes og holdes i takt med det første.\n\nEt team bør også vide, hvad vektorsøgning ikke gør. Den rangerer efter nærhed,\nikke efter sandhed. Det nærmeste afsnit er det, der ligner spørgsmålet mest; det\nkan stadig være forældet, forkert eller stamme fra et dokument, læseren ikke må\nse. Nogle spørgsmål står og falder med et bestemt ord, for eksempel et navn, et\nvarenummer eller en fejlkode, og pgvectors dokumentation foreslår at bruge\nvektorsøgning sammen med PostgreSQL's fuldtekstsøgning. Den kombination kaldes\nhybrid søgning.\n\n## Sådan ser det ud i praksis\n\npgvector, der i oktober 2026 er i version 0.8.7, understøtter PostgreSQL 13 og\nnyere. Udvidelsen aktiveres én gang i hver database, og derefter får tabellen en\nkolonne af typen `vector` med det antal dimensioner, modellen leverer:\n\n```sql\nCREATE EXTENSION vector;\n\nCREATE TABLE passages (\n    id        bigserial PRIMARY KEY,\n    source    text NOT NULL,\n    body      text NOT NULL,\n    embedding vector(3)\n);\n\nCREATE INDEX ON passages USING hnsw (embedding vector_cosine_ops);\n```\n\nTre dimensioner holder eksemplet til at læse; en rigtig model leverer langt\nflere, og kolonnen angiver præcis det tal, modellen leverer. Programmet beregner\nhver embedding med modellen og indsætter den ved siden af den tekst, den kom\nfra. Indekset hører til én bestemt afstand: `vector_cosine_ops` betjener\nforespørgsler, der sorteres efter cosinusafstand, og en forespørgsel, der\nsorteres efter L2-afstand, kræver et ekstra indeks bygget med `vector_l2_ops`.\nHNSW har intet træningstrin, så indekset kan oprettes på en tabel uden rækker.\n\nForespørgslen laver spørgsmålet om til en vektor med samme model og beder om de\nnærmeste afsnit:\n\n```sql\nSELECT id, source, body\nFROM   passages\nORDER  BY embedding \u003c=\u003e $1\nLIMIT  5;\n```\n\n`\u003c=\u003e` er cosinusafstand, og `$1` er forespørgslens vektor, sendt som parameter.\nTo detaljer gør det muligt for PostgreSQL at bruge indekset: forespørgslen har\nbåde `ORDER BY` og `LIMIT`, og `ORDER BY` står på selve afstandsoperatoren i\nstigende rækkefølge. En lighedsscore til visning, `1 - (embedding \u003c=\u003e $1)`,\nhører hjemme i select-listen. De øvrige operatorer er `\u003c-\u003e` for L2-afstand,\n`\u003c+\u003e` for L1 og `\u003c#\u003e` for indre produkt. Den sidste returnerer det negative\nindre produkt, fordi PostgreSQL kun scanner et indeks på en operator i stigende\nrækkefølge.\n\nHNSW-indekset har to byggeparametre: `m`, det største antal forbindelser pr.\nlag, 16 som standard, og `ef_construction`, størrelsen på kandidatlisten under\nopbygningen, 64 som standard. Når der søges, bestemmer `hnsw.ef_search`\nstørrelsen på kandidatlisten, 40 som standard. En højere værdi giver bedre\nrecall på bekostning af hastigheden, og `SET LOCAL` hæver\nden indtil slutningen af den aktuelle transaktion. Skal indstillingen kun gælde\nén forespørgsel, skal transaktionen kun indeholde den forespørgsel. Vil man vide, hvad indekset koster i recall,\nkører man den samme forespørgsel i en transaktion med\n`SET LOCAL enable_indexscan = off`, som giver det eksakte svar, og sammenligner\nde to lister.\n\nVirksomhedens [arbejde med skræddersyede AI-agenter](/da/ai-agents/) lægger\nagentens hukommelse om tidligere sager i kundens egen database frem for i en\nleverandørs chathistorik. En tabel som `passages` er én form, sådan en\nhukommelse kan have: når en ny sag kommer ind, er de tidligere sager, der ligner\nden mest, kun én forespørgsel væk, i den samme database og under de samme\nrettigheder som resten af dataene.\n\nHybrid søgning kører begge søgninger og fletter de to lister. pgvectors\ndokumentation nævner Reciprocal Rank Fusion fra en artikel fra 2009 af Cormack,\nClarke og Büttcher: hvert dokument får 1 / (k + rang) for hver liste, det\noptræder i, og pointene lægges sammen. Forfatterne fastsatte k til 60, og deres\nindledende forsøg viste, at 60 var »near-optimal, but that the choice was not\ncritical«. Med en `tsvector`-kolonne `search_vec` i samme tabel, bygget som til\nfuldtekstsøgning, ser den flettede forespørgsel sådan ud:\n\n```sql\nWITH semantic AS (\n    SELECT id, row_number() OVER (ORDER BY dist) AS r\n    FROM  (SELECT id, embedding \u003c=\u003e $1 AS dist\n           FROM   passages\n           ORDER  BY dist\n           LIMIT  20) AS nearest\n),\nkeyword AS (\n    SELECT id, row_number() OVER (ORDER BY score DESC) AS r\n    FROM  (SELECT id, ts_rank_cd(search_vec, query) AS score\n           FROM   passages, plainto_tsquery('danish', $2) AS query\n           WHERE  search_vec @@ query\n           ORDER  BY score DESC\n           LIMIT  20) AS matches\n)\nSELECT id,\n       coalesce(1.0 / (60 + s.r), 0)\n     + coalesce(1.0 / (60 + k.r), 0) AS rrf\nFROM   semantic AS s\nFULL   JOIN keyword AS k USING (id)\nORDER  BY rrf DESC\nLIMIT  5;\n```\n\nHver søgning beholder sine egne 20 bedste og nummererer dem fra 1. Et afsnit,\nsom begge søgninger placerer højt, får to andele og stiger til tops; et afsnit,\nsom kun den ene søgning finder, beholder én andel. Fletningen bruger rang frem\nfor score, fordi en cosinusafstand og en tekstrang ligger på skalaer, der ikke\nkan sammenlignes. Sproget i `plainto_tsquery` skal være det samme som i\nkolonnen, her `danish`. pgvector nævner en cross-encoder som den anden måde at\nkombinere listerne på.\n\n## Hvor det går galt\n\n**Færre rækker, end `LIMIT` bad om.** Med et approksimativt indeks anvendes\n`WHERE`-betingelsen først efter indeksscanningen. pgvector viser regnestykket:\nhvis en betingelse matcher 10 % af rækkerne, giver et HNSW-indeks med\nstandardværdien 40 for `hnsw.ef_search` i gennemsnit kun omkring 4 rækker. Siden\nversion 0.8.0 scanner iterative indeksscanninger mere af indekset, indtil nok\nrækker er kommet igennem filteret, eller scanningsgrænserne er nået. Slå dem til med\n`SET hnsw.iterative_scan = strict_order`, eller med `relaxed_order` for bedre\nrecall med resultater, der står lidt ude af rækkefølge. For HNSW er\n`hnsw.max_scan_tuples`, 20.000 som standard, en omtrentlig grænse for yderligere\nbesøgte tupler, som ikke påvirker den første scanning. En særskilt\nhukommelsesgrænse kan også stoppe yderligere scanning. Har filteret kun få forskellige\nværdier, virker et partielt indeks pr. værdi også.\n\n**En forespørgsel, der ikke rammer nærmeste-nabo-indekset.** `ORDER BY 1 - (embedding \u003c=\u003e $1) DESC` sorterer efter et udtryk, og en forespørgsel uden `LIMIT` beder ikke om et afgrænset nærmeste-nabo-resultat. Ingen af delene opfylder pgvectors krav til at bruge det indeks. Hvor mange rækker den valgte plan læser, afhænger også af filtre og andre valg i planlæggeren. Et indeks bygget med `vector_l2_ops` gør intet for en forespørgsel, der sorteres efter `\u003c=\u003e`. Sortér efter selve operatoren, stigende og med `LIMIT`, byg ét indeks for hver afstand, der søges med, og tjek planen med `EXPLAIN (ANALYZE, BUFFERS)`.\n\n**Et IVFFlat-indeks bygget for tidligt.** IVFFlat kører k-means over de rækker,\nder findes, når indekset bygges, og deler vektorerne op i lister ud fra\nresultatet. Et indeks, der er oprettet med for lidt data til sit antal lister,\nreturnerer færre rækker, end forespørgslen bad om, og pgvectors råd er at droppe\ndet, indtil tabellen rummer flere data. Indlæs dataene først, og byg indekset\nbagefter. pgvector foreslår at begynde med rækker / 1000 lister op til en\nmillion rækker og kvadratroden af antallet af rækker derover, og at sætte\nprobes, der som standard er 1, til kvadratroden af antallet af lister. HNSW har\nintet tilsvarende træningstrin.\n\n**Rækker, der aldrig bliver fundet.** NULL-vektorer kommer ikke med i indekset,\nog det gør nulvektorer heller ikke under cosinusafstand, for de har ingen\nretning at sammenligne. En række, der står uden embedding, er usynlig for en\nindekseret søgning. Tilføj `NOT NULL`, når indlæsningen er pålidelig, og lad et\nfast job tælle de rækker, der stadig mangler en embedding.\n\n**Vektorer fra to modeller i én kolonne.** To embeddingmodeller, eller to\nversioner af den samme, placerer den samme tekst forskellige steder, og deres\nvektorer kan ikke sammenlignes, selv når antallet af dimensioner er det samme.\nLav spørgsmålets vektor med den model, der lavede afsnittenes, gem modellens\nnavn i en kolonne, og beregn alle vektorer igen, når modellen skifter. Til en\nkolonne med vektorer i flere størrelser viser pgvector et udtryksindeks med en\nbetingelse for hver model, `WHERE (model_id = 123)`.\n\n**For mange dimensioner til indekset.** Typen `vector` gemmer op til 16.000\ndimensioner, men HNSW og IVFFlat indekserer højst 2.000. Indeksér en cast til\n`halfvec` for op til 4.000, brug binær kvantisering for op til 64.000 og rangér\nden korte liste igen efter de fulde vektorer, eller indeksér en delvektor, når\nmodellen understøtter det.\n\n**Én kundes vektorer gør en andens søgning langsommere.** pgvector advarer om,\nat når flere kunder deler et approksimativt indeks, kan én kundes vektorer\npåvirke recall og hastighed for de andre. Partitionér tabellen efter kunde med\nlistepartitionering, eller giv hver kunde sin egen tabel.\n\n**En indeksopbygning, der blokerer programmet.** HNSW bygges langt hurtigere,\nnår grafen kan ligge i `maintenance_work_mem`, og pgvector udskriver en\nmeddelelse, når den ikke længere kan. At sætte den hukommelse så højt, at\nserveren løber tør, giver sin egen nedetid. På et system i drift bygger man med\n`CREATE INDEX CONCURRENTLY`, som ikke blokerer skrivninger.\n\n**Afsnit, læseren ikke må se.** En søgning over alle afsnit kan give en\nsprogmodel tekst fra et dokument, brugeren ikke har ret til at læse, og modellen\nkan citere den. Læg rettighedsbetingelsen i den samme `WHERE`-betingelse som\nsøgningen, så sådan en række aldrig forlader databasen, og slå iterative\nscanninger til for at søge efter flere tilladte afsnit, når filtreringen fjerner\nkandidater, inden for scanningsgrænserne.\n\n**En afstand opfattet som vished.** En cosinusafstand på 0,2 siger, at et afsnit\nligger nærmere end et på 0,4, ikke at det besvarer spørgsmålet. En tærskel, der\ner indstillet til én model, siger intet om den næste. Sortér efter afstand,\nbegræns med `LIMIT`, og bedøm søgningen på et sæt rigtige spørgsmål, hvor man\nkender de rigtige afsnit på forhånd.\n\n## Læs mere\n\n- [pgvector](https://github.com/pgvector/pgvector) — udvidelsens egen\n  dokumentation: typer, afstandsoperatorer, indstillinger for HNSW og IVFFlat,\n  filtrering, iterative indeksscanninger, hybrid søgning og fejlfinding.\n- [Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs](https://arxiv.org/abs/1603.09320)\n  — Malkov og Yashunins artikel, der introducerede HNSW.\n- [Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods](https://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)\n  — SIGIR-artiklen fra 2009 med fletteformlen og de indledende forsøg bag dens\n  konstant.\n- [Introduction to full text search](https://www.postgresql.org/docs/current/textsearch-intro.html)\n  — PostgreSQL's ordbaserede søgning, den anden halvdel af en hybrid\n  forespørgsel.\n- [Controlling Text Search](https://www.postgresql.org/docs/current/textsearch-controls.html)\n  — `plainto_tsquery` og `ts_rank_cd`, som de bruges i nøgleordsdelen ovenfor.\n- [Transaction Isolation](https://www.postgresql.org/docs/current/transaction-iso.html)\n  — hvornår snapshots i PostgreSQL ser committede ændringer, herunder hvorfor et ældre snapshot stadig kan se et dokument, efter at sletningen er committet.\n\n\u003chttps://engineer.company/da/glossary/vector-search/\u003e\n","date_modified":"2026-11-09T21:50:25Z","description":"Hvad vektorsøgning er: embeddings sammenlignet efter afstand, eksakte og approksimative indeks i pgvector, hybrid søgning og de typiske fejl.","formats":{"gemtext":"https://engineer.company/da/glossary/vector-search/index.gmi","gopher":"https://engineer.company/da/glossary/vector-search/gophermap","html":"https://engineer.company/da/glossary/vector-search/","json":"https://engineer.company/da/glossary/vector-search/index.json","markdown":"https://engineer.company/da/glossary/vector-search/index.md","pdf":"https://engineer.company/da/glossary/vector-search/index.pdf"},"kind":"page","language":"da","title":"Hvad er vektorsøgning?","url":"https://engineer.company/da/glossary/vector-search/","version":1}