Vector Database untuk Aplikasi AI

Apa Itu Vector Database?

Vector database menyimpan data sebagai vector embeddings representasi numerik dari makna. Dua vector mirip secara semantik akan berdekatan.

Pilihan untuk Web Dev

pgvector (PostgreSQL): gratis, ACID, tidak perlu infra baru. Pinecone: skalabilitas mahal. Qdrant: open source. Supabase Vector: mudah.

Setup pgvector

Instalasi PostgreSQL + pgvector. Migration: tambah kolom embedding tipe vector. Index HNSW untuk cosine similarity.

Semantic Search

Generate embedding dengan OpenAI text-embedding-3-small ($0.02/1M token). Simpan di kolom embedding. Query dengan cosine distance.

RAG Implementation

Cari artikel relevan dengan vector search. Siapkan konteks. Kirim ke LLM bersama pertanyaan. Jawab berdasarkan konten.

Batch Processing

Artisan command untuk generate embedding batch. Rate limiting. Cache embedding untuk teks sama.

Performance

pgvector dengan HNSW index. Batch size 50. Cache embedding 1 hari. Cocok untuk 1-10M vectors.

Kesimpulan

Mulai dengan semantic search untuk blog. Dampak besar pada UX. Tidak perlu infrastruktur baru.