{"canonical_url":"https://engineer.company/nb/glossary/vector-search/","content_markdown":"# Vektorsøk\n\n## Hva det er\n\nVektorsøk finner de lagrede objektene der vektoren ligger nærmest vektoren til\nsøket. På engelsk heter det vector search. En vektor er her en liste med tall av\nfast lengde som en embeddingmodell regner ut fra et tekststykke, et bilde eller\nen produktoppføring. Modellen er trent slik at objekter med lignende innhold får\nvektorer som ligger nær hverandre, og derfor kan et spørsmål og avsnittet som\nbesvarer det, havne tett sammen selv når de ikke har et eneste ord felles.\n\n«Nærmest» krever et mål. pgvector, PostgreSQL-utvidelsen som eksemplene i denne\nartikkelen bruker, støtter seks: L2-avstand (euklidsk), indreprodukt,\ncosinusavstand og L1-avstand, og i tillegg Hamming-avstand og Jaccard-avstand\nfor binære vektorer. Dokumentasjonen til embeddingmodellen sier hvilket mål\nvektorene er laget for. For vektorer som er normalisert til lengde 1, gir\ncosinusavstand og indreprodukt naboene samme rekkefølge, og der anbefaler\npgvector indreprodukt fordi det gir best ytelse.\n\nDet finnes to måter å besvare søket på. Eksakt søk sammenligner søket med hver\neneste lagrede vektor og returnerer de faktiske nærmeste naboene. Det er dette\npgvector gjør som standard, og dokumentasjonen kaller det perfekt gjenfinning\n(recall). Omtrentlig søk kan bruke en indeks som bare besøker en del av dataene, og\nbytter bort litt gjenfinning mot fart. Hvor mange faktiske naboer som kommer\nmed, avhenger av dataene, indeksen og innstillingene; selv et flertall er ikke garantert. Derfor advarer pgvector om at en omtrentlig\nindeks, i motsetning til en vanlig indeks, endrer hva en spørring returnerer.\n\npgvector har to typer omtrentlige indekser. HNSW bygger en graf i flere lag, en\nmetode Malkov og Yashunin først publiserte i 2016. Hvert lag inneholder et\nutvalg av nodene i laget under, et søk starter i det lille øverste laget og går\nnedover til det fullstendige, og artikkelen deres rapporterer at søkekostnaden\nvokser logaritmisk. IVFFlat deler vektorene inn i lister og søker bare i listene\nsom ligger nærmest søket.\n\n## Hvorfor det er viktig\n\nFulltekstsøk sammenligner ord. Med bare ordmatching og ordstemming finner en kunde som skriver «skjermen forblir svart»,\nikke avsnittet i håndboken med overskriften «displayet slår seg ikke på»,\nfordi de to ikke deler noe ord som ordstemmingen kan føre sammen. Konfigurerte synonymer kan bygge bro over noen\nslike forskjeller. Vektorsøk\nsammenligner betydning slik embeddingmodellen har fanget den opp, så klagen og\navsnittet kan havne nær hverandre. Den samme ideen virker utover tekst: et bilde\nsom ligner dette, en supportsak som ligner en som allerede er løst, et produkt\nsom ligner det som ligger i handlekurven.\n\nDet er også én måte å gjøre gjenfinningen i retrieval-augmented generation på,\nder en stor språkmodell svarer ut fra tekstavsnitt som er hentet til spørsmålet.\nSpørsmålet gjøres om til en vektor med den samme modellen som avsnittene, og de\nnærmeste avsnittene legges inn i prompten. Svaret blir aldri bedre enn det søket\nfikk med seg, så søket fortjener like mye omtanke som modellen.\n\nÅ ha vektorene i databasen du allerede drifter har en praktisk side, og pgvector\nåpner dokumentasjonen sin med akkurat det argumentet. Vektorene får de samme\ntransaksjonene, den samme gjenopprettingen til et tidspunkt (point-in-time\nrecovery) og de samme joinene som alle andre kolonner, og fordi pgvector skriver\ntil write-ahead-loggen (WAL), tar replikeringen dem med også. Et filter på\nkunde, dato eller tilgang er en vanlig `WHERE`-betingelse på den samme raden.\nEt øyeblikksbilde tatt etter at en sletting er bekreftet, ser ikke lenger\ndokumentet, men en spørring med et eldre øyeblikksbilde kan fortsatt se det. Et eget vektorlager er et system til som må fylles og holdes i takt\nmed det første.\n\nEt team bør også vite hva vektorsøk ikke gjør. Det rangerer etter nærhet, ikke\netter sannhet. Det nærmeste avsnittet er det som ligner mest på spørsmålet; det\nkan likevel være utdatert, feil eller hentet fra et dokument leseren ikke har\nlov til å se. Noen spørsmål står og faller på ett eksakt ord, som et navn, et\ndelenummer eller en feilkode, og pgvectors dokumentasjon foreslår å bruke\nvektorsøk sammen med fulltekstsøket i PostgreSQL. Den kombinasjonen kalles\nhybridsøk.\n\n## Slik ser det ut i praksis\n\npgvector, i versjon 0.8.7 i oktober 2026, støtter PostgreSQL 13 og nyere.\nUtvidelsen slås på én gang i hver database, og deretter får tabellen en kolonne\nav typen `vector` med det antallet dimensjoner modellen gir:\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 dimensjoner holder eksemplet lesbart; en ekte modell gir langt flere, og\nkolonnen oppgir det antallet modellen gir. Applikasjonen regner ut hver\nembedding med modellen og setter den inn ved siden av teksten den kom fra.\nIndeksen gjelder én avstand: `vector_cosine_ops` betjener spørringer sortert\netter cosinusavstand, og en spørring sortert etter L2-avstand trenger en indeks\ntil, bygd med `vector_l2_ops`. HNSW har ikke noe treningssteg, så indeksen kan\nopprettes på en tabell uten rader.\n\nSpørsmålet gjøres om til en vektor med den samme modellen, og spørringen ber om\nde nærmeste avsnittene:\n\n```sql\nSELECT id, source, body\nFROM   passages\nORDER  BY embedding \u003c=\u003e $1\nLIMIT  5;\n```\n\n`\u003c=\u003e` er cosinusavstand, og `$1` er søkevektoren, sendt som parameter. To\ndetaljer gjør at planleggeren kan bruke indeksen: spørringen har både `ORDER BY`\nog `LIMIT`, og `ORDER BY` står på selve avstandsoperatoren i stigende\nrekkefølge. En likhetsscore til visning, `1 - (embedding \u003c=\u003e $1)`, hører hjemme\ni `SELECT`-listen. De andre operatorene er `\u003c-\u003e` for L2-avstand, `\u003c+\u003e` for L1 og\n`\u003c#\u003e` for indreprodukt. Den siste returnerer det negative indreproduktet, fordi\nPostgreSQL bare skanner en indeks på en operator i stigende rekkefølge.\n\nHNSW-indeksen har to byggeparametere: `m`, det største antallet forbindelser per\nlag, 16 som standard, og `ef_construction`, størrelsen på kandidatlisten under\nbyggingen, 64 som standard. Ved søk setter `hnsw.ef_search` størrelsen på\nkandidatlisten, 40 som standard. En høyere verdi gir bedre gjenfinning på\nbekostning av fart, og `SET LOCAL` hever den fram til slutten av den gjeldende\ntransaksjonen. For å begrense innstillingen til én spørring må transaksjonen\nbare inneholde den spørringen. Vil du vite hvor mye gjenfinning indeksen koster, kjører du den\nsamme spørringen i en transaksjon med `SET LOCAL enable_indexscan = off`, som\ngir det eksakte svaret, og sammenligner de to listene.\n\nSelskapets [arbeid med skreddersydde AI-agenter](/nb/ai-agents/) legger agentens\nminne om tidligere saker i kundens egen database, ikke i en leverandørs\nchathistorikk. En tabell som `passages` er én form et slikt minne kan ta: når en\nny sak kommer inn, ligger de tidligere sakene som ligner mest, én spørring unna,\ni den samme databasen og under de samme tilgangene som resten av dataene.\n\nHybridsøk kjører begge søkene og fletter de to listene sammen. pgvectors\ndokumentasjon nevner Reciprocal Rank Fusion, fra en artikkel av Cormack, Clarke\nog Büttcher fra 2009: hvert dokument får 1 / (k + rang) for hver liste det står\ni, og andelene legges sammen. Forfatterne satte k til 60, og forsøkskjøringene\nderes viste at 60 var «near-optimal, but that the choice was not critical». Med\nen `tsvector`-kolonne `search_vec` i den samme tabellen, bygd som for\nfulltekstsøk, ser den flettede spørringen slik ut:\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('norwegian', $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\nHvert søk beholder sine egne 20 beste og nummererer dem fra 1. Et avsnitt som\nbegge søkene plasserer høyt, får to andeler og stiger til topps; et avsnitt som\nbare ett søk fant, beholder én. Flettingen bruker rangeringer i stedet for\npoengsummer, fordi en cosinusavstand og en tekstrang ligger på skalaer som ikke\nkan sammenlignes. Språket i `plainto_tsquery` må være det samme som i kolonnen,\nher `norwegian`. pgvector nevner en cross-encoder som den andre måten å\nkombinere listene på.\n\n## Hvor det går galt\n\n**Færre rader enn `LIMIT` ba om.** Med en omtrentlig indeks brukes\n`WHERE`-betingelsen først etter at indeksen er skannet. pgvector viser\nregnestykket: hvis en betingelse treffer 10 % av radene, gir en HNSW-indeks med\nstandardverdien 40 for `hnsw.ef_search` i snitt bare rundt 4 rader. Fra og med\nversjon 0.8.0 skanner iterative indeksskanninger mer av indeksen helt til nok\nrader har sluppet gjennom filteret eller skannegrensene er nådd. Slå dem på med\n`SET hnsw.iterative_scan = strict_order`, eller `relaxed_order` for bedre\ngjenfinning med resultater som kan stå litt i feil rekkefølge. For HNSW er\n`hnsw.max_scan_tuples`, 20 000 som standard, en omtrentlig grense for ytterligere\nbesøkte tupler og påvirker ikke den første skanningen. En egen minnegrense kan\nogså stoppe videre skanning. For et filter med bare\nnoen få ulike verdier fungerer også en partiell indeks per verdi.\n\n**En spørring som ikke treffer nærmeste-nabo-indeksen.** `ORDER BY 1 - (embedding \u003c=\u003e $1) DESC` sorterer etter et uttrykk, og en spørring uten `LIMIT` ber ikke om et avgrenset nærmeste-nabo-resultat. Ingen av delene oppfyller pgvectors krav for å bruke den indeksen. Hvor mange rader den valgte planen leser, avhenger også av filtre og andre valg i planleggeren. En indeks bygd med `vector_l2_ops` hjelper ikke en spørring sortert etter `\u003c=\u003e`. Sorter etter selve operatoren, stigende, med `LIMIT`; bygg én indeks per avstand du søker med; og sjekk planen med `EXPLAIN (ANALYZE, BUFFERS)`.\n\n**En IVFFlat-indeks bygd for tidlig.** IVFFlat kjører k-means over radene som\nfinnes når indeksen bygges, og deler vektorene inn i lister ut fra resultatet.\nEn indeks som er opprettet med for lite data for antallet lister, returnerer\nfærre rader enn spørringen ba om, og pgvector råder til å fjerne den til\ntabellen har fått mer data. Last inn dataene først, og bygg deretter. pgvector\nforeslår å begynne med rader / 1000 lister opp til en million rader og\nkvadratroten av antall rader over det, og å sette probes, 1 som standard, til\nkvadratroten av antall lister. HNSW har ikke noe slikt treningssteg.\n\n**Rader som aldri blir funnet.** NULL-vektorer indekseres ikke, og det gjør\nheller ikke nullvektorer ved cosinusavstand, siden de ikke har noen retning å\nsammenligne. En rad som mangler embedding, er usynlig for et søk via indeksen.\nLegg til `NOT NULL` når innlastingen er pålitelig, og kjør en planlagt\nopptelling av rader som fremdeles mangler embedding.\n\n**Vektorer fra to modeller i én kolonne.** To embeddingmodeller, eller to\nversjoner av samme modell, plasserer den samme teksten på forskjellige steder,\nog vektorene deres kan ikke sammenlignes selv når antallet dimensjoner er likt.\nGjør spørsmålet om til en vektor med modellen som laget vektorene for\navsnittene, lagre modellen i en kolonne, og regn ut alle vektorene på nytt når\nmodellen byttes. For en kolonne med vektorer i flere størrelser viser pgvector\nen uttrykksindeks med en betingelse per modell, `WHERE (model_id = 123)`.\n\n**For mange dimensjoner for indeksen.** Typen `vector` lagrer opptil 16 000\ndimensjoner, men HNSW og IVFFlat indekserer høyst 2 000. Indekser en\n`halfvec`-konvertering for å nå opptil 4 000, bruk binær kvantisering for opptil\n64 000 og ranger kortlisten på nytt med de fullstendige vektorene, eller\nindekser en delvektor når modellen støtter det.\n\n**Én kundes vektorer bremser en annens.** pgvector advarer om at når flere\nkunder deler en omtrentlig indeks, kan vektorene til én av dem påvirke\ngjenfinning og fart for de andre. Partisjoner tabellen etter kunde med\nlistepartisjonering, eller gi hver kunde sin egen tabell.\n\n**Et indeksbygg som blokkerer applikasjonen.** HNSW bygges mye raskere når\ngrafen får plass i `maintenance_work_mem`, og pgvector skriver ut en melding når\nden ikke lenger gjør det; å sette det minnet så høyt at serveren får for lite\nminne, gir nedetid i seg selv. På et system i drift bygger du med\n`CREATE INDEX CONCURRENTLY`, som ikke blokkerer skriving.\n\n**Avsnitt leseren ikke skal se.** Et søk over alle avsnitt kan gi en språkmodell\ntekst fra et dokument brukeren ikke har rett til å lese, og modellen kan sitere\nden. Legg tilgangsbetingelsen i den samme `WHERE`-betingelsen som søket, slik at\nen slik rad aldri forlater databasen, og slå på iterative skanninger for å lete\netter flere tillatte avsnitt når filtreringen fjerner kandidater, innenfor\nskannegrensene.\n\n**En avstand lest som visshet.** En cosinusavstand på 0,2 sier at et avsnitt\nligger nærmere enn et på 0,4, ikke at det besvarer spørsmålet. En terskel som er\njustert for én modell, betyr ingenting for den neste. Sorter etter avstand,\nbegrens med `LIMIT`, og vurder søket mot et sett ekte spørsmål der de riktige\navsnittene er kjent.\n\n## Les mer\n\n- [pgvector](https://github.com/pgvector/pgvector) — utvidelsens egen\n  dokumentasjon: typer, avstandsoperatorer, innstillinger for HNSW og IVFFlat,\n  filtrering, iterative indeksskanninger, hybridsøk og feilsøking.\n- [Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs](https://arxiv.org/abs/1603.09320)\n  — artikkelen av Malkov og Yashunin som introduserte HNSW.\n- [Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods](https://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)\n  — SIGIR-artikkelen fra 2009 med flettingsformelen og forsøkskjøringene bak\n  konstanten.\n- [Introduction to full text search](https://www.postgresql.org/docs/current/textsearch-intro.html)\n  — ordbasert søk i PostgreSQL, den andre halvdelen av en hybrid spørring.\n- [Controlling Text Search](https://www.postgresql.org/docs/current/textsearch-controls.html)\n  — `plainto_tsquery` og `ts_rank_cd`, slik de brukes i ordsøket ovenfor.\n- [Transaction Isolation](https://www.postgresql.org/docs/current/transaction-iso.html)\n  — når PostgreSQLs øyeblikksbilder ser bekreftede endringer, blant annet hvorfor et eldre øyeblikksbilde fortsatt kan se et dokument etter at slettingen er bekreftet.\n\n\u003chttps://engineer.company/nb/glossary/vector-search/\u003e\n","date_modified":"2026-11-09T21:50:25Z","description":"Hva vektorsøk er: embeddinger sammenlignet etter avstand, eksakte og omtrentlige indekser i pgvector, hybridsøk og de vanlige feilene.","formats":{"gemtext":"https://engineer.company/nb/glossary/vector-search/index.gmi","gopher":"https://engineer.company/nb/glossary/vector-search/gophermap","html":"https://engineer.company/nb/glossary/vector-search/","json":"https://engineer.company/nb/glossary/vector-search/index.json","markdown":"https://engineer.company/nb/glossary/vector-search/index.md","pdf":"https://engineer.company/nb/glossary/vector-search/index.pdf"},"kind":"page","language":"nb","title":"Hva er vektorsøk?","url":"https://engineer.company/nb/glossary/vector-search/","version":1}