Vector Engine und Knowledge Graph Engine von HANA Cloud für RAG
Stand 2026-09-23
RAG-Retrieval praxisnah in SAP HANA Cloud (QRC 3/2026): REAL_VECTOR/HALF_VECTOR-Spalten und ihre Sizing-Formel, Embeddings in der Datenbank mit VECTOR_EMBEDDING (SAP-NLP-Modelle oder SAP AI Core über eine sapgenaihub-Remote-Source), Kosinus-/L2-Suche, HNSW-Indizes (M, efConstruction, efSearch, ONLINE, NO_VECTOR_INDEX), Re-Ranking per Cross-Encoder, die Knowledge Graph Engine (Triple Store, SPARQL_EXECUTE, SPARQL_TABLE, SQL_TABLE) und eine fünfstufige hybride Grounding-Pipeline mit fünf SQL-Übungen.
Was Sie lernen
- REAL_VECTOR-Spalten mit fester Dimension anlegen und nach SAPs Formel dimensionieren (12 + 4 × Dimension Byte)
- Embeddings in SQL mit VECTOR_EMBEDDING erzeugen — mit SAP-NLP-Modellen oder SAP-AI-Core-Modellen über eine sapgenaihub-Remote-Source — und dabei den richtigen Texttyp DOCUMENT/QUERY verwenden
- Einen HNSW-Vektorindex anlegen und tunen (M, efConstruction, efSearch, ONLINE) und den Recall gegen eine exakte NO_VECTOR_INDEX-Baseline messen
- Top-k-Kandidaten mit CROSS_ENCODE neu ordnen
- Den Triple Store aktivieren und RDF mit SPARQL_EXECUTE, SPARQL_TABLE und SQL_TABLE abfragen
- Eine hybride Retrieval-Abfrage (Graph + Vektor) entwerfen und umsetzen, die unter den Berechtigungen des Aufrufers läuft
Modulüberblick
Retrieval-Augmented Generation (RAG) steht und fällt mit dem Retrieval. Das Sprachmodell antwortet nie besser als der Kontext, den Sie ihm geben, und in einer SAP-Landschaft liegt der beste Kontext in zwei Formen vor: als Text (Richtlinien, Verträge, Servicehinweise, Produktbeschreibungen) und als Beziehungen (dieses Material gehört zu jener Produktlinie, dieser Lieferant ist für jenes Werk zertifiziert, diese Kostenstelle gehört zu jenem Profit-Center). SAP HANA Cloud beherrscht beides nativ: Die Vector Engine speichert und durchsucht Embeddings in SQL, und die Knowledge Graph Engine speichert RDF-Tripel und beantwortet SPARQL — in derselben Datenbank, in derselben Transaktion, neben den relationalen Daten, die sie beschreiben.
Dieses Modul ist praxisorientiert. Sie legen Vektorspalten an, erzeugen Embeddings in der Datenbank, bauen und tunen einen HNSW-Index, führen ein Re-Ranking mit einem Cross-Encoder durch, laden und befragen einen Knowledge Graph und kombinieren beides zu einer hybriden Retrieval-Abfrage, die ein Joule-Agent oder ein CAP-Service aufrufen kann. Jede Anweisung folgt der Syntax aus dem SAP HANA Cloud Vector Engine Guide und dem SPARQL Reference Guide (Version QRC 3/2026, Stand 23. September 2026). Führen Sie sie auf einer Trial- oder Entwicklungsinstanz aus, niemals zuerst in der Produktion.
Voraussetzungen
- SQL auf SAP HANA (Column-Tabellen, Joins, Berechtigungen) und Zugang zu einer HANA-Cloud-Entwicklungs- oder Trial-Instanz
- Zuerst die Kernkonzepte durcharbeiten: C027, C154, C182
- Empfohlene Module: M137 Vector Databases in SAP Context, M138 Graph Analytics & SAP HANA Graph, M054 Grounding Joule on Enterprise Data
Lernergebnisse
- Eine HANA-Cloud-Instanz für einen Korpus mit der Vektor-Speicherformel und SAPs Faustregel des Faktors zwei dimensionieren.
- Funktionierendes SQL für Embedding-Erzeugung, HNSW-Indizierung, Ähnlichkeitssuche und Cross-Encoder-Re-Ranking schreiben.
- Einen kleinen Knowledge Graph laden und abfragen und seine Ergebnisse in einer einzigen SQL-Anweisung mit einer Vektorsuche verknüpfen.
- Einem Sicherheitsprüfer erklären, warum hybrides Retrieval in der Datenbank bestehende Berechtigungen erbt und welche Grants nötig sind.
Vollständiges Modul für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.