#460 · Rechner für KI & Technologie

RAG-Speicherrechner

Dieser Rechner hilft dir, den Speicherbedarf einer RAG-Vektordatenbank aus Chunkzahl, Embeddinggröße, Index-Overhead und Replikation zu schätzen. Er verbindet die wichtigsten Eingaben mit einer transparenten Berechnung und zeigt neben dem Hauptergebnis zusätzliche Kennzahlen, damit du Kosten, Kapazität oder Wirtschaftlichkeit besser einschätzen kannst. Die Werte sind Schätzungen auf Basis deiner Annahmen und eignen sich besonders für Planung, Budgetierung und Szenariovergleiche.

Rechner

Eingaben

So verwendest du diesen Rechner

Trage die für deinen Anwendungsfall relevanten Mengen, Preise und Leistungswerte ein.
Prüfe Einheiten und Zeiträume, damit alle Angaben auf derselben Basis liegen.
Klicke auf „Berechnen“, um Haupt- und Nebenresultate zu aktualisieren.
Nutze die Einordnung und Zusatzkennzahlen für Budget-, Kapazitäts- oder Toolentscheidungen.

Formel

Gesamtspeicher = {[Chunks × Dimensionen × Bytes je Wert] × (1 + Index-Overhead) + Chunks × Metadatenbytes} × Replikate

Was das Ergebnis bedeutet

Das Ergebnis ist eine Kapazitätsplanung für den physischen Datenbestand. Anbieter können Speicher intern anders komprimieren oder abrechnen.

Backups, Logs, temporäre Indexdateien und Anbieterreserven sind nicht automatisch enthalten und sollten bei Infrastrukturplanung zusätzlich berücksichtigt werden.

Beispielrechnung

1.000.000 Chunks × 1.536 Dimensionen × 4 Byte ergeben rund 5,72 GiB Rohvektoren. 1.200 Byte Metadaten je Chunk ergeben zusätzlich rund 1,12 GiB. Mit 30 % Index-Overhead auf den Vektoren und einer Replik ergibt sich insgesamt etwa 8,56 GiB.

Tipps für bessere Ergebnisse

Messe tatsächlichen Index-Overhead mit einem repräsentativen Pilotbestand.
Plane Metadaten und gespeicherte Chunktexte separat ein.
Prüfe Quantisierung, wenn Speicher und Kosten kritisch sind.
Berücksichtige Replikate, Backups und Wachstum getrennt.
Überdimensioniere Chunks nicht nur für Retrieval-Qualität; Speicher und Kontextkosten steigen mit.

Häufig gestellte Fragen

Wie viel Speicher benötigt eine RAG-Vektordatenbank pro Million Chunks?

Multipliziere die Zahl der Chunks mit Embedding-Dimension, Bytes je Wert und einem Index-Overhead. Addiere danach Metadaten und gegebenenfalls Replikate.

Wie beeinflusst die Embedding-Dimension den RAG-Speicher?

Der Rohspeicher für Vektoren wächst annähernd linear mit der Zahl der Dimensionen, sofern der Datentyp gleich bleibt.

Warum braucht ein Vektorindex mehr Speicher als die Rohvektoren?

ANN-Indizes speichern zusätzliche Graph-, Cluster- oder Verwaltungsstrukturen. Der genaue Overhead hängt vom Indexverfahren und Anbieter ab.

Wie berücksichtige ich Replikation in der RAG-Speicherplanung?

Multipliziere den Datenbestand mit der Zahl der gespeicherten Replikate. Bei drei Kopien ist der physische Speicherbedarf ungefähr dreimal so hoch.

Soll ich Quelldokumente ebenfalls in den RAG-Speicher einrechnen?

Wenn Originaltexte, Metadaten oder Chunktexte in derselben Datenbank liegen, sollten ihre durchschnittlichen Bytes pro Chunk zusätzlich eingeplant werden.

RAG-Speicherstruktur

Kennzahl	Bedeutung
Rohvektoren	Speicher der Embeddings ohne Index- und Metadaten-Overhead.
Metadaten	Zusätzlicher Speicher für Chunktexte, IDs und Attribute.
Physisch je Chunk	Durchschnittlicher Speicherbedarf je Chunk nach Overhead und Replikation.