---
title: Ce sunt embeddings și bazele de date vectoriale?
description: "**Embeddings** și **bazele de date vectoriale** sunt conceptele din spatele căutării semantice și al RAG. Deși par tehnice, ideea din spatele lor este intuitivă. ## Ce sunt embeddings Un **embedding** este o reprezentare numerică (un vector — o listă de…"
url: "https://www.hostx.ro/kb/ce-sunt-embeddings-si-bazele-de-date-vectoriale/"
updated: "2026-08-03"
category: "AI & Automatizări"
tags:
  - ai
  - API
  - bază de date
  - deployment
  - optimizare
  - performanță
---

# Ce sunt embeddings și bazele de date vectoriale?

**Embeddings** și **bazele de date vectoriale** sunt conceptele din spatele căutării semantice și al RAG. Deși par tehnice, ideea din spatele lor este intuitivă.

## Ce sunt embeddings

Un **embedding** este o reprezentare numerică (un vector — o listă de numere) a unui text, care surprinde **înțelesul** lui. Texte cu sens apropiat au vectori apropiați. Astfel, „mașină" și „automobil" ajung „aproape" unul de altul, chiar dacă sunt cuvinte diferite.

## La ce folosesc

Embeddings permit **căutarea semantică**: în loc să cauți cuvinte exacte, cauți după sens. E baza pentru RAG, recomandări, clasificare și detectarea duplicatelor.

## Ce este o bază de date vectorială

O **bază vectorială** stochează acești vectori și îi poate căuta rapid pe cei mai **apropiați** de o interogare. Exemple: Chroma, Qdrant, Milvus, Weaviate, pgvector (o extensie pentru PostgreSQL).

## Cum se leagă de RAG

1. Documentele sunt împărțite în fragmente și transformate în embeddings.
2. Vectorii sunt stocați în baza vectorială.
3. La o întrebare, aceasta devine și ea vector, iar baza returnează fragmentele cele mai apropiate ca sens.
4. Fragmentele sunt trimise modelului ca context.

## De reținut

Calitatea căutării depinde de **modelul de embeddings** ales și de modul de fragmentare a textului. Poți folosi modele de embeddings comerciale sau locale (de exemplu prin Ollama), în funcție de nevoile de cost și confidențialitate.

**Sfat:** Pentru a începe, multe instrumente (Flowise, Open WebUI) includ deja opțiuni de embeddings și vector store, fără să configurezi manual o bază vectorială separată.