Vector DB Schema Designer

Genera schemi DDL e configurazioni JSON per i principali vector database RAG. Scegli il modello di embedding, la strategia di chunking e il DB target. 100% client-side, nessun dato inviato al server.

Gratuito100% Client-SideRAG Ready

Configurazione

384d sentence-transformersOpen-source gratuito

Ideal for text embeddings - measures angle between vectors, invariant to magnitude.

Split by a fixed number of tokens with configurable overlap. Simple and predictable.

Documenti totali:10,000

Stima storage20 MB
Costo /mese€0 (self-hosted)
Dimensioni384d
Avvertenze 0 
-- Redis Stack HNSW Vector Index
-- Run via redis-cli or ioredis

FT.CREATE idx:docs
  ON HASH PREFIX 1 doc:
  SCHEMA
    id          TAG
    content     TEXT
    source      TAG
    created_at  NUMERIC
    embedding   VECTOR HNSW 6
      TYPE FLOAT32
      DIM 384
      DISTANCE_METRIC COSINE
      M 16
      EF_CONSTRUCTION 200

-- Optional: store JSON documents
FT.CREATE idx:docs:json
  ON JSON PREFIX 1 doc:
  SCHEMA
    $.id          AS id          TAG
    $.content     AS content     TEXT
    $.source      AS source      TAG
    $.created_at  AS created_at  NUMERIC
    $.embedding[*] AS embedding  VECTOR HNSW 6
      TYPE FLOAT32
      DIM 384
      DISTANCE_METRIC COSINE
      M 16
      EF_CONSTRUCTION 200

Come funziona

Scegli il modello

Seleziona il modello di embedding tra 12+ opzioni (sentence-transformers, OpenAI, Cohere, Voyage). La dimensione viene compilata automaticamente.

Configura il DB

Scegli il vector database target, la metrica di distanza e la strategia di chunking. I parametri HNSW vengono suggeriti automaticamente.

Ottieni lo schema

Il tool genera DDL/script eseguibili, JSON config e stima di storage e costo Hetzner. Copia con un click nel tuo progetto.

Perche' usare questo tool

Cross-DB in un click

6 vector database supportati con DDL pronti per la produzione. Cambia DB e rigenera in 1 secondo.

Cost-aware per Hetzner

Stima storage e costo mensile basata su VPS Hetzner CCX13/CCX23. Evidenzia warning su Pinecone cloud e modelli a pagamento.

Parametri HNSW razionalizzati

Ogni parametro (M, ef_construction, ef) viene generato con un razionale esplicito. Nessun magic number anonimo.

Come utilizzare Vector DB Schema Designer

Scegli il modello di embedding

Seleziona uno dei 12+ modelli disponibili (sentence-transformers, OpenAI, Cohere, Voyage): la dimensione del vettore e il costo per token vengono compilati automaticamente.

Configura DB, metrica e chunking

Scegli il vector database target (Redis Stack, Qdrant, Weaviate, Pinecone, pgvector, Milvus), la distance metric e la strategia di chunking con relativa dimensione e overlap.

Imposta il numero di documenti attesi

Indica quanti documenti prevedi di indicizzare: il tool usa questo valore per stimare storage e costo mensile della soluzione.

Genera e copia lo schema

Passa tra le tab DDL/Script, JSON Config e Index Params per vedere l'output nel formato desiderato, poi copialo con un click nel tuo progetto.

Suggerimenti

  • Se non sai ancora quale DB userai, genera prima lo schema per Redis Stack HNSW o pgvector: sono le opzioni self-hosted a costo zero piu' comuni in stack esistenti.
  • Prova a cambiare strategia di chunking (fixed vs semantic) sullo stesso modello per confrontare l'impatto su storage stimato prima di fissare la configurazione definitiva.
  • Controlla sempre la tab "Index Params" quando cambi il numero di documenti attesi: i parametri HNSW consigliati si adattano alla scala del dataset.

Domande frequenti

Quale vector database dovrei scegliere per un progetto RAG?

Dipende dal contesto: Redis Stack HNSW e pgvector sono ottimi per chi ha gia' Redis o Postgres in produzione ed evita nuova infrastruttura self-hosted a costo zero. Qdrant e Weaviate offrono feature vector-native piu' avanzate. Pinecone e' un servizio cloud gestito a pagamento, comodo ma con costi ricorrenti che il tool segnala con un warning.

Come scelgo la dimensione del chunk e l'overlap?

Chunk piu' piccoli (256-512 token) migliorano la precisione del retrieval ma aumentano il numero di vettori da indicizzare; chunk piu' grandi (1024+) mantengono piu' contesto ma possono diluire la rilevanza semantica. Un overlap del 10-20% del chunk size evita di perdere informazioni ai confini tra un chunk e il successivo.

Quale distance metric devo usare?

Cosine similarity e' la scelta di default per la maggior parte dei modelli di embedding (misura la direzione del vettore, non la magnitudine). Dot product e' preferibile se il modello di embedding e' gia' normalizzato e si vuole risparmiare calcolo. Euclidean (L2) e' utile quando la magnitudine del vettore porta informazione rilevante. Il tool mostra il razionale specifico per la metrica selezionata.

Da cosa e' composta la stima di storage e costo mensile?

Lo storage stimato deriva dal numero di documenti attesi moltiplicato per la dimensione del vettore dell'embedding scelto (in float32), piu' overhead di indice HNSW. Il costo mensile e' calcolato su base VPS Hetzner CCX13/CCX23 per le soluzioni self-hosted (spesso €0 aggiuntivi se l'infrastruttura e' gia' presente) o sui listini pubblici per i servizi cloud come Pinecone.

I parametri HNSW generati (M, ef_construction, ef) sono validi per la produzione?

Sono valori di partenza ragionevoli basati su euristiche standard per la dimensione del dataset indicata, ciascuno accompagnato da un razionale nella tab "Index Params". Per dataset molto grandi o requisiti di latenza stringenti, vanno comunque validati con benchmark specifici sul tuo carico reale prima del deploy in produzione.