Så blir AI-svar till
Vektorsökning
Kallas även: Vector search, Vektordatabas
Vektorsökning hittar resultat genom att jämföra embeddings, så att den returnerar texter med liknande betydelse och inte bara texter med samma ord.
Med enkla ord
Först görs varje stycke om till en embedding och lagras i en vektordatabas. När en fråga kommer in får den också en embedding.
Databasen returnerar sedan de lagrade stycken som ligger närmast frågan.
Exempel
En matsajt lagrar varje steg i ett recept som ett eget stycke. Någon frågar: "Hur undviker jag att pastan klibbar ihop?" Vektorsökning kan hitta steget om att röra om och använda mycket vatten, även om ordet "klibbar" inte står där.
Varför det spelar roll för AI-sök
Anthropic beskriver det som den vanliga RAG-uppsättningen: dela upp dokument i chunks, gör embeddings av dem, lagra dem i en vektordatabas och sök efter betydelse.
Anthropic påpekar också att embeddings kan missa exakta träffar, som en felkod. Därför lägger många system till sökordssökning.
Det här kan du göra
- Skriv stycken som är begripliga på egen hand, så att en enda hämtad bit fortfarande besvarar frågan.
- Skriv exakta namn, modellnummer och koder i vanlig text, eftersom sökning bara efter betydelse kan missa dem.
- Använd tydliga rubriker, så att varje stycke har ett tydligt ämne.
Förväxlas ofta med
- Semantisk sökning
- Semantisk sökning är målet: att matcha betydelse. Vektorsökning är ett vanligt sätt att nå dit.
- Hybridsökning
- Hybridsökning kombinerar vektorsökning med sökordssökning.
Källor
Fakta och källor senast kontrollerade 19 oktober 2026.
Relaterade begrepp
Läs mer på GEO-Score
Hur klarar sig din sida i AI-sök?
GEO-Score kontrollerar en sida på 22 signaler, från åtkomst för AI-crawlers till strukturerad data, och visar vad du ska åtgärda först.
Analysera en sida