Stellen Sie KI-Agenten mit persistenten Speicher bereit. Stellen Sie sie an jedem beliebigen Ort bereit.
Was Entwickler mit VectorAI DB erstellen
CrewAI + VectorAI-Datenbank
Isolierter, persistenter Speicher für jeden Agenten in einem Multi-Agenten-Team.
LlamaIndex + VectorAI-Datenbank
Lokale RAG-Pipeline ohne „ Cloud “-Vektordienst. Läuft unter On-Premises oder am Edge.
Spur
Semantische Suche bei Vermisstenfällen. Überbrückt die terminologische Kluft zwischen den Angaben der Angehörigen und den forensischen Unterlagen – vollständig auf dem Gerät.
Revvec
Air-Gapped-RAG-Pipeline für die Bereiche Verteidigung, Luft- und Raumfahrt sowie Pharmazie. Läuft auf einem einzelnen Mac; keine Internetverbindung erforderlich.
FixFirst
Offline-Wartungsassistent für Industrietechniker. Durchsuchen Sie Handbücher und den Störungsverlauf nach Fehlercode, Foto oder Sprachnotiz.
LangChain + VectorAI DB
Agentenspeicher, der über Sitzungen hinweg bestehen bleibt und keine Abhängigkeiten von „ Cloud “ aufweist.
LangGraph + VectorAI-Datenbank
Ein Agenten-Zustand, der in Umgebungen ohne Verbindung bestehen bleibt.
Die meisten Vektordatenbanken wurden für menschliche Verhaltens abfragen smuster entwickelt. KI-Agenten verhalten sich anders.
/
Zahlen, die auch unter Belastung Bestand haben
QPS
745,2 QPS bei 10-M-Vektoren mit 768 Dimensionen. 22-mal schneller als Milvus und Qdrant.
Treffgenauigkeit
Latenz p99
13 ms p99 bei einer Recall-Rate von 99 % auf selbst gehosteter Hardware, auf der Ihre Agenten laufen.
Was Sie erhalten
Ein Speicher, der jede Sitzung überdauert
Sitzungsübergreifendes Abrufen, skaliert nach Nutzung, innerhalb Ihres Perimeters.
Überwachen Sie es mithilfe der Tools, die Sie bereits nutzen
Native Prometheus-Metriken in Ihren bestehenden Grafana-Dashboards.
Parallele Abfragen ohne Leistungseinbußen
Parallele Schlussfolgerungsschritte und Speicherabfragen – das Erinnerungsvermögen bleibt unbeeinträchtigt.
Den gleichen Build überall bereitstellen
Vom Laptop bis zum Rechenzentrum – ohne Neuprogrammierung, auf jeder Hardware.
Die Überprüfung bestehen, ohne die Architektur zu überarbeiten
DSGVO, HIPAA und die Speichervorschriften richten sich danach, wo sich die Daten befinden.
Sehen Sie sich den Betrieb von VectorAI DB an
Sehen Sie sich eine vollständige Agent- Deployment -Reihe von Null bis zum ersten „ abfragen “ an.
Machen Sie den ersten Schritt mit Ihrem Framework
Füge es einfach in den Stapel ein, an dem du gerade arbeitest.
Nutzen Sie das VectorAI DB- Python -SDK direkt für jeden beliebigen benutzerdefinierten Agent-Stack. Sie stellen das Embedding-Modell bereit; VectorAI DB kümmert sich um die Speicherung und die Suche.
# Install
pip install actian-vectorai
from actian_vectorai import VectorAIClient
client = VectorAIClient(host="localhost:8080")
client.create_collection("agent-memory", dim=768)
results = client.query(
collection="agent-memory",
vector=embeddings,
top_k=10
)Führen Sie es so aus, wie Sie es bereitstellen
Python sowie JavaScript-SDKs, eine REST-API und einen einzigen Docker-Container, der auf einem Laptop, einem Edge-Gerät oder einem Kubernetes Cluster gleichermaßen läuft.
Ein Vergleich von VectorAI DB
Ein objektiver Überblick darüber, auf welchen Systemen die einzelnen Vektordatenbanken laufen und wie ihre Leistung ausfällt. Der Durchsatz wurde anhand von 10 Millionen Vektoren mit 768 Dimensionen auf identischer Hardware gemessen.
VectorAI-DB |
Tannenzapfen |
Qdrant |
Weaviate |
|
|---|---|---|---|---|
Durchsatz bei 10 Millionen Vektoren |
745 QPS |
~33 QPS |
~34 QPS |
Selbst gehostete Varianten |
Läuft auf Edge-Hardware mit begrenzten Ressourcen (Jetson, Pi) |
Ja |
Nein |
begrenzt |
begrenzt |
Einheitliche API vom Prototyp bis zur Produktion |
Ja |
Nur Cloud |
Ja |
Ja |
On-Premises und mit Luftspalt Deployment |
Ja |
Nein |
Ja |
Ja |
voll gemanagt Cloud Option |
Selbstverwaltet |
Ja |
Cloud |
Cloud |
Wer nutzt die VectorAI-Datenbank?
Teams, die dort liefern, wo sich die Daten befinden und das Netzwerk nicht immer hinreicht.
Die Patientendaten verbleiben während des gesamten abfragen innerhalb Ihrer Sicherheitsgrenzen.
Einsatzbereiche: Rechenzentren von Krankenhäusern, Server in Kliniken, Forschung
Einheitlich in Hybrid-, Edge- und standortübergreifenden Infrastrukturen, unabhängig von Verbindungs-, Compliance- oder Hardware-Einschränkungen.
Bereitstellung in: Hybrid, Edge + Cloud, mehrere Standorte
FAQ
Actian VectorAI DB ist eine Vektordatenbank, die speziell für KI-Agenten entwickelt wurde und diesen persistenten Speicher sowie den Abruf nach dem Prinzip „ niedrige Latenz “ auf Ihrer eigenen Infrastruktur bietet.
Die meisten Vektordatenbanken wurden für „ Cloud “-native Bereitstellungen und „ abfragen “-Muster im menschlichen Maßstab konzipiert. VectorAI DB ist auf das parallele, hochfrequente Verhalten von Agentenflotten ausgelegt und läuft konsistent in Edge-, On-Premises-, Air-Gapped- und Cloud -Umgebungen, ohne dass Änderungen an der Architektur erforderlich sind. Pinecone ist ausschließlich für „ Cloud “ vorgesehen. Qdrant und Weaviate unterstützen selbst gehostete Deployment , sind jedoch in erster Linie für Workloads im „ Cloud “-Maßstab konzipiert und nicht für Edge- und Offline-Umgebungen.
VectorAI DB lässt sich nativ in LangChain, LlamaIndex und Hugging Face integrieren. Es stehen SDKs für Python und JavaScript zur Verfügung. Community-Plugins erweitern die Unterstützung auf CrewAI, LangGraph und Mastra. Die vollständige Integrationsdokumentation finden Sie unter docs.vectoraidb.actian.com.
VectorAI DB erreicht 745,2 QPS bei 10 Millionen Vektoren mit 768 Dimensionen und ist damit auf identischer Hardware mehr als 22-mal schneller als Milvus und Qdrant. Es ist auf das parallele, hochfrequente „ abfragen “-Verhalten ausgelegt, das Agentenflotten erzeugen, und nicht auf die sequenziellen Muster von Anwendungen, die sich an Menschen richten.
Die kostenlose Variante ist die VectorAI DB Community Edition. Sie ist dauerhaft kostenlos und erfordert keine Rechnungsdaten. Sie umfasst eine Vektorkapazität von 5.000, lässt sich auf lokalen Entwicklungsrechnern bereitstellen und wird durch die Community unterstützt.
VectorAI DB unterstützt HNSW und andere ANN-Indizierungsmethoden für niedrige Latenz sowie hochpräzise Suchvorgänge in großem Maßstab.
VectorAI DB ist modellunabhängig und funktioniert mit Embeddings von jedem Anbieter: OpenAI, Anthropic, Cohere, Hugging Face oder jedem beliebigen benutzerdefinierten Modell, das Sie bereitstellen.
Ja. VectorAI DB speichert Vektor-Embeddings aus Text, Bildern, Audio- und Videodaten.
Kostenlos starten, keine Rechnungsdaten erforderlich
Alles, was Sie brauchen, um noch heute auf Ihrem eigenen Rechner einen Prototyp des Agenten-Speichers zu erstellen.
Kostenloser Zugang
Laden Sie VectorAI DB herunter und legen Sie sofort los. Es ist keine Rechnungsanmeldung erforderlich.
Vektorindizierung und -suche
ANN-Indizierung (HNSW), APIs für die Vektorsuche und Überwachung zur Unterstützung von Prototypen mit bis zu 5.000 Vektoreinbettungen.
Schnelle Einrichtung vor Ort
Installieren Sie das System, indizieren Sie Daten und führen Sie Abfragen in wenigen Minuten durch – dank übersichtlicher Dokumentation, Schnellstartanleitungen und Code-Beispielen.
