Vektorsuche findet Elemente anhand ihrer Bedeutung, nicht nur anhand exakt übereinstimmender Wörter. Wenn Sie eine Suche für Dokumente, Supportartikel, Produktkataloge, Empfehlungen oder Retrieval-Augmented Generation entwickeln, ist die Grundidee einfach: Inhalte werden in numerische Vektoren umgewandelt, ein Anfragevektor wird mit gespeicherten Vektoren verglichen, und die nächstliegenden Treffer werden zurückgegeben.
Dieser Artikel erläutert die Funktionsweise der Vektorsuche von der Indexierung bis zur Ergebnisanzeige. Er richtet sich an Entwickler, Produktmanager und Suchteams, die semantische Suche für in den USA betriebene Anwendungen bewerten, und beschreibt praktische Abwägungen.
Ähnlichkeit berechnen, dann die genaue Teilenummer erzwingen
Die zweidimensionalen Vektoren sind vorgegebene Lehrwerte, keine von einem Sprachmodell erzeugten Embeddings. Das Beispiel prüft Rechnung und Filterung, nicht die Qualität semantischer Suche.
Der Anfragevektor ist [1, 0]. Die Kosinusähnlichkeit ist das Skalarprodukt geteilt durch das Produkt der Vektorlängen. Sortieren Sie nach diesem Wert. Dokument F liegt am nächsten, gehört aber zu AC-1947-D; gesucht ist AC-1947-B.
| Dokument | Vektor | Teil |
|---|---|---|
| A | [1, 0.1] | AC-1947-B |
| B | [0.8, 0.2] | AC-1947-B |
| C | [0.7, 0.3] | AC-1947-B |
| D | [0.1, 1] | AC-1947-B |
| E | [-0.5, 0.1] | AC-1947-B |
| F | [1, 0.05] | AC-1947-D |
Ohne Teilefilter sind die ersten drei IDs F, A, B. Der Filter auf AC-1947-B ergibt A, B, C. Ähnlichkeit allein erzwingt keine genaue Produktidentität. Der Quellcode enthält alle sechs Vektoren und gibt alle Werte aus.
Die Rangfolge folgt aus vorgegebenen Koordinaten. Sie belegt weder Synonymverständnis eines Embedding-Modells noch eine allgemeine Überlegenheit hybrider Suche. Für einen Nullvektor ist die Kosinusähnlichkeit nicht definiert; er wird zurückgewiesen.
Python-Quellcode herunterladen — keine Zusatzpakete · Referenzberechnungen als JSON
Was Vektorsuche bedeutet
Vektorsuche ist Ähnlichkeitssuche auf Basis von Embeddings. Ein Embedding ist eine numerische Darstellung von Text, einem Bild oder einem anderen Datentyp. Statt nur Wörter wie laptop, charge oder adapter zu indexieren, indexiert ein Vektorsuchsystem dichte Zahlenarrays, die die Bedeutung oder Merkmale jedes Elements repräsentieren.
Microsoft beschreibt Vektorsuche als Nutzung von Vektordarstellungen von Inhalten für Indexierung und Abfragen, sodass eine Anfrage ähnliche Elemente anhand von Vektorähnlichkeit und nicht nur anhand exakter Begriffe abrufen kann: Microsoft Learn: Übersicht zur Vektorsuche.
Dieser Unterschied ist wichtig. Eine Schlagwortsuchmaschine kann Dokumente finden, die die exakte Formulierung power adapter enthalten. Eine Vektorsuchmaschine kann auch einen relevanten Artikel über Probleme beim Laden des Akkus finden, selbst wenn der Artikel nie dieselbe Formulierung wie die Suchanfrage verwendet.
Vektorsuche ist keine Magie und nicht automatisch besser als Schlagwortsuche. Am besten versteht man sie als anderes Retrieval-Verfahren: nützlich, wenn Ähnlichkeit, Paraphrasen oder konzeptuelle Übereinstimmungen wichtig sind; weniger geeignet, wenn exakte Kennungen, juristische Formulierungen, Namen oder Codes präzise übereinstimmen müssen.
Wie Vektorsuche Schritt für Schritt funktioniert
Ein typischer Arbeitsablauf der Vektorsuche besteht aus zwei Phasen: Indexierung und Abfrage.
1. Inhalte vorbereiten
Das System beginnt mit Inhalten: Dokumenten, Supportartikeln, Produktbeschreibungen, Bildern, Transkripten, Tickets oder anderen Datensätzen. Bei langen Texten teilen Teams Inhalte häufig in kleinere Abschnitte auf, damit die Suche eine gezielte Passage statt eines ganzen Dokuments abrufen kann.
Chunking ist eine Implementierungsentscheidung, keine Qualitätsgarantie. Zu breite Abschnitte können die nützliche Passage verdecken. Zu schmale Abschnitte können Kontext verlieren. Der richtige Ansatz hängt vom Inhaltstyp und von der Aufgabe der Nutzer ab.
2. Embeddings erzeugen
Ein Embedding-Modell wandelt jedes Element oder jeden Abschnitt in einen Vektor um. Bei Text liest das Modell den Text und gibt eine numerische Darstellung aus. Bei Bildern oder multimodalen Systemen kann ein Modell visuelle Inhalte in einem vergleichbaren Vektorraum darstellen.
Das Embedding-Modell ist zentral, weil es bestimmt, was Ähnlichkeit bedeutet. Googles Machine Learning Crash Course erklärt, dass Embeddings verwandte Elemente im Embedding-Raum nahe beieinander platzieren. Deshalb können semantisch verwandte Elemente abgerufen werden, auch wenn sie unterschiedlich formuliert sind: Google ML Crash Course: Embedding-Raum.
3. Vektoren in einem Index speichern
Die erzeugten Vektoren werden in einem Vektorindex gespeichert, meist zusammen mit den ursprünglichen Inhalten oder Metadaten wie Titel, URL, Produktkategorie, Veröffentlichungsdatum, Berechtigungen oder Sprache.
Erst der Index macht den Abruf praktikabel. Ohne Index müsste das System eine Anfrage in einem Brute-Force-Scan mit jedem gespeicherten Vektor vergleichen. In größerem Maßstab verwenden Produktionssysteme häufig Indexierungsverfahren zur approximativen Suche nach den nächsten Nachbarn, um die Ähnlichkeitssuche zu beschleunigen; die genaue Methode hängt jedoch von der Suchmaschine oder Datenbank ab.
4. Die Nutzeranfrage einbetten
Wenn eine Person sucht, leitet das System die Anfrage durch ein kompatibles Embedding-Modell. Eine Anfrage wie „laptop will not charge“ wird zu einem weiteren Vektor im selben Embedding-Raum wie die indexierten Inhalte.
Kompatibilität ist entscheidend. Werden die Inhaltsvektoren und die Anfragevektoren mit unterschiedlichen Modellen oder inkompatiblen Einstellungen erzeugt, können die Ähnlichkeitswerte unzuverlässig werden.
5. Vektoren nach Ähnlichkeit vergleichen
Das System vergleicht den Anfragevektor mit den indexierten Vektoren. Anschließend ermittelt es die nächsten Nachbarn: die gespeicherten Elemente, die dem Anfragevektor nach einer Ähnlichkeits- oder Distanzberechnung am nächsten liegen.
Zu den gängigen Ranking-Konzepten gehören:
- Nächste Nachbarn: die indexierten Vektoren, die dem Anfragevektor am nächsten liegen.
- Ähnlichkeitswert: ein numerisches Signal, das die Nähe abschätzt.
- Distanzmetrik: die mathematische Regel, nach der Vektoren verglichen werden.
- Top-k-Abruf: die Rückgabe der k besten Kandidaten, etwa der 5, 10 oder 20 nächstliegenden Elemente.
Ein hoher Ähnlichkeitswert bedeutet, dass das System im Embedding-Raum etwas Nahes gefunden hat. Er beweist nicht, dass das Ergebnis sachlich richtig, aktuell, regelkonform oder die beste Antwort für den Nutzer ist.
6. Kandidatenergebnisse zurückgeben und ordnen
Die endgültigen Suchergebnisse können direkt aus der Vektorähnlichkeit stammen oder mit weiteren Signalen neu geordnet werden. Eine Suche im Produktivbetrieb kann Vektorwerte mit Schlagworttreffern, Aktualität, Geschäftsregeln, Zugriffsberechtigungen, Metadatenfiltern oder einem separaten Ranking-Modell kombinieren.
Deshalb sollte der beste Vektortreffer als Kandidat behandelt werden, nicht als unumstößliche Antwort.
Warum Embeddings semantische Suche ermöglichen
Embeddings machen Vektorsuche nützlich, weil sie zusammengehörige Elemente in einem gelernten Raum nahe beieinander abbilden. Einfach gesagt: Das Modell wurde darauf trainiert, verwandte Bedeutungen mit ähnlichen numerischen Mustern darzustellen.
Ein Embedding-Modell kann zum Beispiel diese Formulierungen nahe beieinander platzieren:
- laptop will not charge
- battery is not charging
- power adapter problem
- charging port issue
Diese Formulierungen verwenden nicht alle dieselben Wörter, können aber dasselbe Problem des Nutzers beschreiben. Eine Schlagwortsuchmaschine kann einige dieser Zusammenhänge übersehen, wenn sie nicht über Synonyme, Wortstammanalyse, Anfrageerweiterung oder sorgfältig abgestimmte Regeln verfügt. Eine Vektorsuchmaschine kann begrifflich verwandte Inhalte abrufen, weil die Anfrage und die Artikel anhand ihrer Vektordarstellungen verglichen werden.
Die Konsequenz ist wichtig: Vektorsuche kann die Trefferabdeckung bei natürlichsprachlichen Anfragen und Paraphrasen verbessern. Die Einschränkung ist ebenso wichtig: Semantische Nähe ist nicht dasselbe wie Wahrheit. Ein Ergebnis kann der Anfrage nah sein und trotzdem veraltet, unvollständig oder für den konkreten Fall des Nutzers falsch sein.
Ausgearbeitetes Beispiel: Supportartikel nach Bedeutung durchsuchen
Das folgende Beispiel ist hypothetisch und kein beobachteter Test oder Benchmark.
Eingabe
Eine Person sucht nach:
‘laptop will not charge’
Die Support-Wissensdatenbank enthält Artikel mit Titeln wie:
- Troubleshoot AC adapter issues
- Check battery health in the system utility
- Clean and inspect the charging port
- Replace a cracked laptop screen
- Configure Wi-Fi after a router reset
Anwendbare Regel
Die Vektorsuche vergleicht das Embedding der Anfrage mit den Embeddings von Artikeln oder Artikelabschnitten. Nach dem von Google beschriebenen Konzept des Embedding-Raums sollten Inhalte mit verwandter Bedeutung tendenziell näher beieinanderliegen als nicht verwandte Inhalte. Nach Microsofts Überblick verfügt ein Vektorsuchsystem üblicherweise über eine Indexierungsphase für Embeddings und eine Abfragephase, in der die eingehende Anfrage vektorisiert und mit den indexierten Vektoren verglichen wird.
Referenzergebnis
Ein plausibles Ergebnis einer Vektorsuche könnte Folgendes enthalten:
- Troubleshoot AC adapter issues
- Check battery health in the system utility
- Clean and inspect the charging port
Warum diese Ergebnisse sinnvoll sind
Die Anfrage „laptop will not charge“ ist semantisch mit Netzteilen, Akkuzustand und Ladeanschlüssen verwandt. Die exakten Wörter müssen nicht perfekt übereinstimmen, damit das System passende Inhalte zur Fehlerbehebung erkennt.
Grenzfall
Wenn Nutzer nach einer bestimmten Teilenummer, einem Garantiekode oder einer regulatorischen Formulierung suchen, kann Vektorsuche allein das falsche Werkzeug sein. Eine Schlagwortsuche oder eine hybride Suche ist meist sicherer, weil die exakte Zeichenfolge zählt. AC-1947-B und AC-1947-D können für ein Modell beispielsweise in ihrer Bedeutung nahe beieinanderliegen, sich aber auf unterschiedliche Teile beziehen.
Vektorsuche im Vergleich zur Schlagwortsuche
Vektorsuche und Schlagwortsuche lösen sich überschneidende, aber unterschiedliche Suchprobleme. Microsofts Überblick zur Vektorsuche unterstützt ausdrücklich hybride Suchmuster, statt Vektorsuche als universellen Ersatz für Schlagwortsuche zu behandeln.
| Suchanforderung | Besser geeignet | Grund |
|---|---|---|
| Fragen in natürlicher Sprache | Vektor- oder Hybridsuche | Nutzer beschreiben ein Konzept möglicherweise, ohne dieselben Wörter wie die Quellinhalte zu verwenden. |
| Paraphrasen und Synonyme | Vektorsuche | Embeddings können verwandte Bedeutungen nahe beieinander platzieren. |
| Exakte Produkt-IDs, Rechnungsnummern oder Fehlercodes | Schlagwortsuche | Die exakte Zeichenfolge ist das entscheidende Signal. |
| Juristische, Compliance- oder Richtlinienformulierungen | Schlagwort- oder Hybridsuche | Der genaue Wortlaut kann wichtiger sein als eine breite semantische Ähnlichkeit. |
| Suche mit Filtern wie Kategorie, Region, Datum oder Berechtigungen | Hybridsuche | Vektorähnlichkeit kann Kandidaten abrufen, während Metadatenfilter Vorgaben durchsetzen. |
| Unternehmensweite Suche | Hybridsuche | Nutzer benötigen sowohl semantisches Auffinden als auch präzises Nachschlagen. |
Schlagwortsuche bleibt wertvoll, weil sie bei wortbezogenen Treffern nachvollziehbar und präzise ist. Vektorsuche ist wertvoll, weil sie verwandte Ideen abrufen kann, die keinen gemeinsamen Wortschatz haben. In vielen realen Anwendungen ist die stärkere Gestaltung nicht ein Entweder-oder zwischen Vektorsuche und Schlagwortsuche, sondern die Entscheidung, wie beides kombiniert wird.
Wann Vektor-, Schlagwort- oder Hybridsuche sinnvoll ist
Vektorsuche eignet sich, wenn die Formulierung der Nutzer unvorhersehbar ist und es um begriffliche Relevanz geht. Gute Einsatzbereiche sind FAQ-Suche, Support-Wissensdatenbanken, Empfehlungen, Dokumentensuche, Bildähnlichkeit und der Abruf für Fragen in natürlicher Sprache.
Schlagwortsuche eignet sich, wenn exakte Übereinstimmung die Hauptanforderung ist. Beispiele sind Seriennummern, SKUs, Namen, Adressen, Gesetzesnummern, Befehlsnamen, Datenbank-IDs und zitierte Formulierungen.
Hybridsuche eignet sich, wenn die Arbeitslast beide Muster mischt. Ein Hybridsystem könnte:
- Schlagwortabgleich für exakte Kennungen verwenden.
- Vektorähnlichkeit für semantische Kandidaten verwenden.
- Metadatenfilter für Berechtigungen, geografische Angaben, Veröffentlichungsdatum oder Inhaltstyp anwenden.
- Ergebnisse anhand zusätzlicher Geschäfts- oder Relevanzregeln neu ordnen.
Ein praktisches Entscheidungskriterium ist die Prüfung der Suchanfrage. Wenn eine andere Formulierung weiterhin denselben Inhalt liefern sollte, ist Vektorsuche wahrscheinlich sinnvoll. Wenn schon ein einzelnes geändertes Zeichen die Antwort verändert, sollten Schlagwortsuche oder strenge Filter eine größere Rolle spielen.
Wichtige Konzepte für Ähnlichkeit und Ranking
Ergebnisse der Vektorsuche werden häufig als Ergebnisse der nächsten Nachbarn beschrieben. Der Anfragevektor ist ein Punkt im Embedding-Raum, und das System sucht nach indexierten Vektoren in der Nähe dieses Punkts.
Mehrere Konzepte prägen das endgültige Ergebnis:
- Embedding-Modell: Bestimmt, wie Inhalte dargestellt werden. Es ist einer der wichtigsten Qualitätsfaktoren.
- Indexierte Inhalte: Die Suche kann nicht abrufen, was fehlt, veraltet oder schlecht formatiert ist.
- Chunking-Strategie: Bestimmt, ob abgerufene Passagen fokussiert und vollständig sind.
- Ähnlichkeitsmetrik: Legt fest, wie Nähe berechnet wird.
- Top-k-Einstellung: Steuert, wie viele Kandidaten abgerufen werden, bevor später gefiltert oder gerankt wird.
- Metadatenfilter: Halten Ergebnisse innerhalb der erforderlichen Grenzen, etwa bei Benutzerberechtigungen oder Inhaltskategorien.
- Ranking-Pipeline: Kombiniert Ähnlichkeit mit anderen Signalen, bevor Ergebnisse angezeigt werden.
Die wichtigste Interpretationsregel ist einfach: Vektorsuche bewertet Ähnlichkeit, nicht Korrektheit. Ähnlichkeit ist für den Abruf nützlich, ersetzt aber weder die Qualität der Quellen noch Validierung oder fachliche Prüfung.
Realistische Fehlerfälle
Vektorsuche kann auf plausible Weise scheitern, weil die zurückgegebenen Inhalte semantisch nah und dennoch falsch sein können. Häufige Fehlerfälle sind:
Ungeeignete Embeddings
Wenn das Embedding-Modell die Domäne nicht gut abbildet, liegen ähnliche Konzepte möglicherweise nicht nah genug beieinander, oder nicht verwandte Konzepte erscheinen als ähnlich. Das ist besonders bei Fachterminologie relevant.
Schlechtes Chunking
Ein Chunk kann das richtige Schlagwort enthalten, aber nicht den Kontext, der zur Beantwortung der Frage nötig ist. Oder er ist so groß, dass das abgerufene Ergebnis schwer nutzbar ist.
Veraltete oder minderwertige Inhalte
Vektorsuche kann veraltete Dokumentation abrufen, wenn sie indexiert ist. Sie erkennt nicht von selbst, dass sich eine Richtlinie geändert hat oder ein Produkt eingestellt wurde.
Semantisch ähnliche, aber sachlich falsche Ergebnisse
Ein Dokument zu einem Laptop-Modell kann einer Anfrage zu einem anderen Modell nahekommen. Ohne Metadatenfilter oder präzise Übereinstimmung kann das System ein Ergebnis anzeigen, das relevant klingt, aber nicht zutrifft.
Fehlende Filter
Wenn Suchergebnisse Berechtigungen, Produktlinien, geografische Vorgaben oder Veröffentlichungsstatus berücksichtigen müssen, müssen diese Regeln Teil der Retrieval- oder Ranking-Pipeline sein. Ähnlichkeit allein setzt sie nicht durch.
Wie Vektorsuche in RAG passt
Bei Retrieval-Augmented Generation wird Vektorsuche häufig genutzt, um möglichen Kontext für ein Sprachmodell abzurufen. Das Modell kann diesen Kontext dann verwenden, wenn es eine Antwort generiert.
Vektorsuche ist jedoch nur eine Komponente eines RAG-Systems. Die Qualität der endgültigen Antwort hängt von den indexierten Quellen, dem Embedding-Modell, den Retrieval-Einstellungen, Filtern, dem Prompt-Design, dem Verhalten des Sprachmodells und dem Umgang des Systems mit Zitaten oder Grounding ab.
Der entscheidende Unterschied lautet: Vektorsuche kann relevanten Kontext finden, garantiert aber nicht, dass die generierte Antwort korrekt ist. Eine RAG-Pipeline braucht weiterhin Evaluation und dem Anwendungsfall angemessene Schutzmaßnahmen.
Was vor der Implementierung zu klären ist
Bevor Sie Vektorsuche einsetzen, sollten Sie festlegen, welche Art von Relevanz Ihre Nutzer benötigen. Die folgenden Fragen sind meist wichtiger als allein die Wahl der Datenbank:
- Welche Inhalte sollen eingebettet werden? Entscheiden Sie, ob vollständige Dokumente, Textpassagen, Titel, Zusammenfassungen, Metadaten oder eine Kombination davon indexiert werden sollen.
- Welches Embedding-Modell passt zur Domäne? Die Qualität des Retrievals hängt stark davon ab, wie das Modell Ihre Inhalte repräsentiert.
- Wie sollen Inhalte in Abschnitte aufgeteilt werden? Wählen Sie Abschnittsgrenzen, die genügend Kontext bewahren, ohne sehr große Blöcke zurückzugeben.
- Welche Metadatenfilter sind erforderlich? Berechtigungen, Datumsangaben, Kategorien und Regionen sollten nicht der semantischen Ähnlichkeit überlassen werden.
- Benötigen Nutzer exakte Treffer? Falls ja, sollten Sie eine Schlagwortsuche oder eine hybride Suche einplanen.
- Wie werden die Ergebnisse bewertet? Verwenden Sie nach Möglichkeit echte Suchanfragen und menschliche Relevanzurteile. Verlassen Sie sich nicht nur darauf, ob ein Ergebnis plausibel wirkt.
- Welche Änderungen erfordern eine Neuindexierung? Wenn sich das Embedding-Modell ändert, müssen vorhandene Vektoren möglicherweise neu erzeugt werden, damit Suchanfragen und indexierte Inhalte kompatibel bleiben.
- Wie werden veraltete Inhalte entfernt oder aktualisiert? Die Qualität des Retrievals hängt davon ab, dass der indexierte Bestand aktuell bleibt.
Fazit
Vektorsuche funktioniert, indem Inhalte und Suchanfragen in Embeddings umgewandelt, diese Embeddings in einem Vektorindex gespeichert, der Anfragevektor mit indexierten Vektoren verglichen und die nächstliegenden Kandidaten zurückgegeben werden. Ihre Stärke liegt im semantischen Retrieval: Sie findet verwandte Inhalte auch dann, wenn die Wörter unterschiedlich sind.
Setzen Sie Vektorsuche ein, wenn Bedeutung wichtiger ist als der exakte Wortlaut. Behalten Sie die Schlagwortsuche bei, wenn genaue Zeichenfolgen entscheidend sind. Nutzen Sie hybride Suche, wenn Nutzer beides benötigen. Vor allem aber sollten Sie Vektorähnlichkeit als Retrieval-Signal behandeln, nicht als Beweis dafür, dass ein Ergebnis korrekt ist.
