Was Ihr delete() in der Vektordatenbank wirklich tut

In einem HNSW-basierten Speicher ändert delete() die Sichtbarkeit eines Eintrags und nicht den Speicher. Die Engine markiert den Eintrag und blendet ihn aus den Suchergebnissen aus. Der Vektor bleibt in der Segmentdatei, bis ein anderer Vorgang, die Compaction, diese Datei neu schreibt.

Qdrant schreibt das in der eigenen Dokumentation: Einträge werden nicht sofort gelöscht, sondern als gelöscht markiert und bei künftigen Abfragen ignoriert. Die Engine verschiebt die Arbeit mit Absicht. Wer einen Knoten aus einem HNSW-Graphen entfernt, muss alle Nachbarn finden, die auf ihn zeigen, und deren Kanten neu verdrahten, damit der Graph zusammenhängt. Weil das teuer ist, verschiebt die Engine es und erledigt es später gebündelt.

Wann „später“ eintritt, bestimmt ein Schwellwert.

Der Scheduler entscheidet, wann gelöscht wird

Der Vacuum-Optimizer von Qdrant läuft erst, wenn zwei Bedingungen erfüllt sind. Beide sind konfigurierbar, und die meisten Teams ändern die Standardwerte nie: deleted_threshold (Standard 0.2) nennt den minimalen Anteil gelöschter Vektoren, ab dem ein Segment optimiert wird, und vacuum_min_vector_number (Standard 1000) die Mindestzahl an Vektoren, die ein Segment enthalten muss, um in Betracht zu kommen.

Rechnen Sie einen einzelnen Löschantrag durch. Eine Kundin verlangt die Löschung ihrer Daten. Sie finden ihre sieben Chunks und löschen sie, und die API quittiert. Die sieben Vektoren liegen in einem Segment mit 200.000 Vektoren. Der Anteil gelöschter Vektoren beträgt damit 0,0035 Prozent, und der Schwellwert liegt bei 20 Prozent. Der Optimizer prüft das Segment, findet nichts zu tun und geht weiter. Das bleibt so, bis andere Schreiblast den Löschanteil des Segments über ein Fünftel hebt. Bei einer stabilen Wissensbasis tritt dieser Tag womöglich nie ein.

delete(id) API meldet 200 Tombstone gesetzt Vektor liegt weiter Optimizer prüft Anteil ≥ Schwellwert? Segment ≥ Mindestgröße? Segment neu geschrieben Bytes tatsächlich weg Nichts passiert Vektor bleibt, rekonstruierbar ja nein
Ihr API-Aufruf reicht bis zum zweiten Kasten. Der Optimizer im dritten Kasten entscheidet über die Löschung, nach seinen Bedingungen und nicht nach Ihren.
Folge für den Nachweis. Ein einzelner Löschantrag gegen ein großes Segment ist statistisch der Fall, der am unwahrscheinlichsten eine Compaction auslöst. Der Delete-Aufruf weist die Löschung deshalb nicht nach; das leistet erst der Beleg, dass die Compaction gelaufen ist.

Realitätscheck pro Datenbank

Jede Engine löst das anders, die Richtung bleibt dieselbe:

  • Qdrant — Tombstones plus der oben beschriebene Vacuum-Optimizer. Die Schwellwerte lassen sich lesen und pro Collection einstellen. Qdrant gehört damit zu den wenigen Stores, in denen Sie die Compaction steuern und beobachten können.
  • Chroma — delete() aktualisiert die Metadaten in SQLite, sodass Abfragen den Eintrag überspringen, und schreibt die HNSW-Indexdatei nicht neu. Ein gemeldetes Problem zu Version 0.6.3 zeigte, dass die Datenbank nach dem Löschen von Dokumenten sogar wuchs; die Inhalte lagen weiter in der Tabelle embeddings_queue, im Klartext samt Embeddings. Dieser Fehlerbericht ist seit Juni 2025 geschlossen, und chroma utils vacuum verkleinert die Datenbank und schaltet das laufende Kürzen des Logs ein. Ein offener Fehlerbericht vom August 2026 beschreibt, dass vacuum im HNSW-Index die Vektoren gelöschter Einträge nicht entfernt.
  • FAISS — HNSW-Indizes kennen hier kein Löschen. remove_ids unterstützen Indextypen wie IndexFlat, IndexIVFFlat und IDMap (bei IVF muss die Direct Map aktiv sein); für HNSW hält die Dokumentation fest, dass das Entfernen von Vektoren nicht unterstützt wird, es bleibt also der Neubau des Index. FAISS ist eine Bibliothek und keine Datenbank, die Löschung bleibt deshalb Ihre Aufgabe.
  • Weaviate — Löschungen schreiben Tombstones, die ein periodischer Cleanup entfernt. Ihn steuern cleanupIntervalSeconds am Vektorindex sowie die Umgebungsvariablen TOMBSTONE_DELETION_CONCURRENCY und TOMBSTONE_DELETION_MIN_PER_CYCLE / MAX_PER_CYCLE. Der Cleanup läuft damit in einem Takt, den Sie setzen, statt an einem Schwellwert zu hängen, aber auch hier löscht nicht Ihr Delete-Aufruf.
  • pgvector — Sie erben das MVCC-Verhalten von PostgreSQL. DELETE macht aus der Zeile ein totes Tupel. Ein einfaches VACUUM gibt den Platz zur Wiederverwendung frei, aber nicht an das Betriebssystem zurück, und erst VACUUM FULL schreibt die Tabelle neu. Der HNSW-Index muss zusätzlich den Graphen um jeden entfernten Knoten neu verdrahten, und das treibt die Kosten. Warum pgvector trotzdem meist die richtige Wahl ist, begründet unser Überblick zu Vektordatenbanken.

Was übrig bleibt, ist keine anonyme Zahlenreihe

Der übliche Einwand lautet, ein liegengebliebenes Float-Array sei kein lesbarer Text.

Embeddings lassen sich aber invertieren. Morris et al. von der Cornell University zeigten das mit Vec2Text („Text Embeddings Reveal (Almost) As Much As Text“, arXiv:2310.06816), das iterativ Kandidatentexte erzeugt und neu einbettet: Das Verfahren rekonstruierte 92 Prozent der Eingaben mit 32 Tokens exakt und holte aus klinischen Notizen vollständige Namen.

Im Juni 2026 untersuchte die Arbeit „Ghost Vectors“ (arXiv:2606.18497) drei HNSW-Implementierungen. Sie bestätigte, dass soft-gelöschte Vektoren physisch rekonstruierbar bleiben, wenn man die rohen Indexdateien auf der Speicherebene liest und die API umgeht. Mit Vec2Text, ohne domänenspezifisches Fine-Tuning, stellten die Autoren aus einem Wikipedia-Datensatz zu lebenden Personen 25,5 Prozent der exakten Personennamen und 46,4 Prozent der Ortsangaben wieder her; bei synthetischen Patientendaten (Synthea) lag die Wiederherstellung von Alters- und Geschlechtsmerkmalen bei 100 Prozent. Wer Dateizugriff hat, liest aus dem Rest im Speicher also die Person, leicht verwischt.

Was die Aufsicht annimmt — und wo die Prämisse bricht

Die Datenschutzkonferenz veröffentlichte im Oktober 2025 ihre Orientierungshilfe zu datenschutzrechtlichen Besonderheiten generativer KI-Systeme mit RAG-Methode (Version 1.0). Abschnitt 3.5 sagt zur Löschung:

DSK, OH RAG, Abschnitt 3.5. „Auch können Referenzdokumente und Einträge in der Vektordatenbank gelöscht werden. Die Löschung erfolgt technisch durch Löschung von Einträgen in einer Datenbank und das Entfernen aus den Referenzdokumenten. Diese Einträge sind direkt adressierbar und damit auch personenbezogene Daten gezielt löschbar.“

Das Papier arbeitet an anderen Stellen sorgfältig, und der Satz ist nicht falsch. Einträge in einer Vektordatenbank sind direkt adressierbar, und das macht RAG beherrschbarer als ein feinjustiertes Modell. Die DSK richtet ihre Skepsis ausdrücklich auf das Sprachmodell und hält fest, dass die Probleme bei der Datenlöschung im Sprachmodell ungeachtet der Vorteile eines RAG-Systems bestehen bleiben. Wir teilen die Einordnung von RAG als datenschutzfreundlichere Architektur.

Die Formulierung greift an einer technischen Stelle zu kurz. Adressierbarkeit ist eine Eigenschaft der Schnittstelle, Löschung eine Eigenschaft des Speichers. Abschnitt 3.5 beschreibt ein System, in dem das Entfernen eines Eintrags auch die Daten entfernt. Das gilt für eine Zeile in einer klassischen Datenbank und gilt für einen Vektor in einem HNSW-Segment nicht. Ein Verantwortlicher, der Abschnitt 3.5 wörtlich nimmt, ruft delete() auf, dokumentiert, dass der Eintrag aus dem Index verschwunden ist, und hält den Antrag nachvollziehbarerweise für erledigt. Er irrt, und der Abschnitt warnt ihn nicht.

Wer argumentiert, der verbliebene Vektor sei kein personenbezogenes Datum mehr, führt eine Anonymitätsdebatte und keine Löschdebatte mehr, gemessen an Erwägungsgrund 26 DSGVO und den „Mitteln, die nach allgemeinem Ermessen wahrscheinlich genutzt werden“. Die Stellungnahme 28/2024 des EDSA betrifft trainierte KI-Modelle, nicht Vektordatenbanken, und ist hier daher nicht unmittelbar anwendbar. Sie zeigt aber, wie Aufsichtsbehörden diesen Test anlegen: Randnummer 43 verlangt, dass die Wahrscheinlichkeit der Extraktion für jede betroffene Person „vernachlässigbar gering“ ist, und Fußnote 29 zu Randnummer 38 stellt klar, dass Extraktion insbesondere den Fall meint, in dem Daten aus dem Modell selbst abgeleitet werden, „wobei nur wenig oder gar kein Gebrauch von den Anfrageschnittstellen gemacht wird“. Dem entspricht bei einer Vektordatenbank das Auslesen der Indexdatei. Gegen veröffentlichte Inversionsergebnisse lässt sich Anonymität schwer behaupten.

Die Fristen laufen unabhängig davon. Art. 17 Abs. 1 DSGVO verlangt die Löschung unverzüglich, und Art. 12 Abs. 3 gibt Ihnen für die Antwort einen Monat, der sich nur bei komplexen oder zahlreichen Anträgen um zwei weitere verlängern lässt. Keine der beiden Fristen wartet, bis sich ein Segment zufällig füllt.

So löschen Sie tatsächlich

Compaction erzwingen — und danach messen

In jeder Engine gilt dieselbe Reihenfolge: löschen, das Neuschreiben erzwingen, dann die Speicherebene zurücklesen und das Ergebnis bestätigen. Verlassen Sie sich nicht auf den Hintergrundjob.

  • Qdrant — Löschen Sie die Punkte und sorgen Sie dafür, dass das Segment die Bedingungen erfüllt. Jede Update-Operation auf der Collection stößt die Optimizer an, und über die Optimizer-Konfiguration der Collection verschärfen Sie deleted_threshold und vacuum_min_vector_number vorübergehend so weit, dass auch eine kleine Löschung die Hürde nimmt. Lesen Sie die Segment-Statistiken vorher und nachher aus und stellen Sie danach die normalen Schwellwerte wieder her.
  • pgvector — DELETE, anschließend VACUUM FULL, wenn die Tabelle physisch neu geschrieben werden muss; der Befehl schreibt die Tabelle neu und baut ihre Indizes neu auf, ein zusätzliches REINDEX entfällt danach. Die schonendere Variante aus der pgvector-Dokumentation, REINDEX INDEX CONCURRENTLY gefolgt von einem einfachen VACUUM, baut den HNSW-Index neu auf, schreibt die Tabelle selbst aber nicht neu. VACUUM FULL nimmt allerdings eine exklusive Sperre und schreibt die gesamte Tabelle neu. Der Befehl gehört deshalb in ein Wartungsfenster und lässt sich nicht auf Zuruf auslösen.
  • Weaviate — Hier steuern Sie den Tombstone-Cleanup-Zyklus. Wählen Sie das Intervall so kurz, dass der Cleanup eine Löschung innerhalb Ihrer Antwortfrist physisch bereinigt, und prüfen Sie, dass die Limits pro Zyklus ihn auf einem großen Index nicht aushungern. Die Dokumentation beschreibt diesen Cleanup für den HNSW-Index. Ob auch die Objektdaten von der Platte verschwunden sind, prüfen Sie getrennt, denn in einem Bericht aus dem Weaviate-Forum blieb die Größe der LSM-Speicher nach abgeschlossenen Cleanup-Zyklen unverändert.
  • Chroma und FAISS — Für den HNSW-Index bietet keines der beiden einen erzwingbaren Compaction-Pfad, auf den Sie sich stützen sollten; Chromas vacuum bereinigt die SQLite-Seite und nach dem genannten Fehlerbericht nicht den Index. Bauen Sie deshalb Collection oder Index ohne den betroffenen Chunk aus der Quelle neu, schalten Sie um und vernichten Sie die alten Dateien. Der Neubau ist hier das Löschverfahren, und sein Aufwand gehört in die Planung.

Was ich nicht tun würde: deleted_threshold global auf nahezu null setzen, damit „Löschungen immer compacten“. Der Optimizer schreibt dann auf einer aktiven Collection ständig Segmente neu, und Sie zahlen das dauerhaft in Latenz und I/O, für einen Vorgang, der Sie ein paar Mal im Jahr erreicht. Erzwingen Sie die Compaction pro Antrag, weisen Sie sie nach, und setzen Sie die Schwellwerte zurück.

Wenn Sie nicht erzwingen können: kryptografische Löschung

Manche Systeme lassen keine erzwungene Compaction zu: ein Append-only-Index, ein unveränderliches Backup oder ein Store ohne entsprechenden Schalter. Dort machen Sie die Bytes unbrauchbar, statt sie zu entfernen. Verschlüsseln Sie die Vektoren mit einem Schlüssel, der zu einer Epoche oder zu einer betroffenen Person gehört, und vernichten Sie den Schlüssel bei der Löschung. Die Autoren von „Ghost Vectors“ setzen das als Epoch Key Rotation um und messen rund 0,005 ms pro Datensatz; die Wiederherstellung personenbezogener Daten sinkt auf null, und das Verfahren gibt einen signierten kryptografischen Nachweis des Löschvorgangs aus.

Kryptografische Löschung ist nur so stark wie Ihre Schlüsselverwaltung. Überlebt eine Kopie des Schlüssels im Backup des Key-Vaults, in einem Escrow oder in einem alten KMS-Snapshot, haben Sie nichts vernichtet. Ein Schlüssel pro Epoche löscht außerdem nur ganze Epochen. Für eine einzelne Person müssen Sie pro Person schlüsseln, was kostet, oder die Epoche neu verschlüsseln. Ob eine Aufsichtsbehörde die kryptografische Löschung als Löschung im Sinne des Art. 17 anerkennt oder als bloße Sicherheitsmaßnahme wertet, ist zudem nicht einheitlich geklärt. Setzen Sie sie dort ein, wo physisches Neuschreiben unmöglich ist, und nicht als Standardweg.

Die Flächen, die alle vergessen

Das Live-Segment zu compacten ist der kleinere Teil der Arbeit. Löschanträge scheitern an den Kopien:

  • Snapshots — ein Snapshot von vor der Löschung enthält den Vektor vollständig und unmarkiert. Das Löschen in der Live-Collection ändert ihn nicht.
  • Replikate — jeder Knoten führt eigene Segmente und einen eigenen Optimizer-Zustand. Eine Compaction auf dem Leader compactet den Follower nicht.
  • Backups — vor allem inkrementelle, in denen der gelöschte Vektor in der Kette früherer Inkremente erhalten bleibt. Für Backups eignet sich meist die kryptografische Löschung.
  • Write-Ahead- und Ingestion-Logs — der oben genannte Chroma-Fall zeigt es: Der Chunk war aus dem Index verschwunden und lag in einer Queue-Tabelle weiter im Klartext.
  • Retrieval-Logs — die meisten RAG-Systeme protokollieren die abgerufenen Top-k-Chunks für Debugging und Evaluation. Dieses Log enthält die Passage, die Sie gerade gelöscht haben, als Klartextkopie.
  • Gespeicherte Modellausgaben — gesicherte Dialoge, in denen der Assistent den Chunk wörtlich zitiert hat. Der Vektor ist weg, und die Antwort, die ihn wiedergibt, steht weiter in Ihrer Chatverlauf-Tabelle.

Diese Kopien entstehen in jedem System, das Daten aus guten Gründen kopiert. Planen Sie die Löschung deshalb von Anfang an ein, statt sie nachzurüsten. Dasselbe Argument führen wir für die DSGVO als Architekturfrage.

Der Löschnachweis: Was der Datenschutzbeauftragte vorlegt

Fragt eine Aufsichtsbehörde, wie Sie den Antrag umgesetzt haben, belegt der Satz „wir haben den Delete-Endpunkt aufgerufen, er hat 200 zurückgegeben“ nur, was eine API getan hat. In die Akte gehört ein Datensatz, der die Speicherebene vorher zeigt, die erzwungene Compaction dazwischen und die Speicherebene danach. Er ist signiert, damit ihn später niemand stillschweigend nachbessert.

loeschnachweis.json
{
  "antrag_id": "ART17-2026-0142",
  "betroffener_ref": "hmac-sha256:9f2b8c...e41d",
  // gekeytes Pseudonym, nicht der Name — ein blanker
  // Hash waere brute-forcebar. Bleibt personenbezogen.
  "eingegangen_am": "2026-07-02T09:14:00Z",
  "rechtsgrundlage": "Art. 17 Abs. 1 lit. a DSGVO",
  "collection": "kb_support_de",
  "chunks_betroffen": 7,
  "api_delete": {
    "am": "2026-07-02T09:31:12Z",
    "wirkung": "tombstoned — noch nicht physisch entfernt"
  },
  "segmente_vorher": [
    {"id": "seg-a1", "vektoren": 200000, "geloescht": 7}
  ],
  "compaction": {
    "erzwungen": true,
    "methode": "Schwellwerte gesenkt, danach zurückgesetzt",
    "beendet_am": "2026-07-02T09:48:57Z",
    "segmente_neu_geschrieben": ["seg-a1"]
  },
  "segmente_nachher": [
    {"id": "seg-b7", "vektoren": 199993, "geloescht": 0}
  ],
  "nachgelagert": {
    "replikate_bestaetigt": ["node-1", "node-2"],
    "snapshots_vernichtet": ["snap-2026-06-30"],
    "backups": {"methode": "krypto-loeschung",
                "schluessel_epoche": "2026-Q2",
                "schluessel_vernichtet_am": "2026-07-02T10:02:00Z"},
    "retrieval_logs_bereinigt": true,
    "ausgaben_geschwaerzt": 2
  },
  "geprueft_von": "l.friedrich",
  "signatur": "ecdsa-p256:MEUCIQD..."
}

Die Zeilen segmente_vorher, compaction und segmente_nachher tragen den Nachweis, alles andere ist Kontext. Sie machen aus „wir haben gelöscht“ die Aussage „dieses Segment enthielt den Datensatz, wir haben das Neuschreiben zu diesem Zeitpunkt erzwungen, und das neu geschriebene Segment enthält ihn nicht mehr“. Ein Datenschutzbeauftragter kann diesen Löschnachweis einer Aufsichtsbehörde vorlegen.

Dafür müssen Sie Segment-Statistiken lesen, die Optimizer-Konfiguration ändern, Ihre Replikate und Snapshots aufzählen und Backup-Schlüssel vernichten können. Ein verwalteter, mandantenübergreifender Vektordienst gibt Ihnen in der Regel eine API-Quittung und einen Auftragsverarbeitungsvertrag, aber keinen Nachweis auf Segmentebene, den Sie unterschreiben würden. Manche Anbieter legen mehr offen als andere, und die Frage danach gehört in jede Beschaffung. Die belastbare Fassung dieses Nachweises braucht aber Zugriff auf die Speicherebene. In der Praxis heißt das: dort betreiben, wo Ihnen die Platte gehört.

Auch der Nachweis hat eine Grenze. Er belegt, dass das Segment neu geschrieben wurde, und er belegt nicht, dass nie eine Kopie das Haus verlassen hat, als Export auf einen Laptop, als Debug-Dump oder als Screenshot. Der Löschnachweis erfasst, was Ihr System getan hat, und nicht, was Ihre Leute getan haben.