Sofortantwort
Semantische Suche einfach erklärt
Suche nach Inhalten, die inhaltlich zur Anfrage passen.
- Kurz gesagt
- Vergleicht Anfrage und Inhalte nach inhaltlicher Ähnlichkeit
- Typischer Einsatz
- Unternehmenssuche, Marketing, RAG-Systeme
- Wichtig zu wissen
- Kann verwandte Inhalte auch bei unterschiedlicher Formulierung finden
Semantische Suche im Überblick
Eine Suche nach „Wie lange kann ich einen Artikel zurückgeben?“ soll auch eine Seite finden, die von einer „Widerrufsfrist“ spricht. Bei einer embeddingbasierten Suche werden Frage und Dokumentabschnitte in Vektoren übersetzt. Nahe Vektoren liefern mögliche Treffer. Die Reihenfolge hängt vom Modell, der Dokumentaufteilung und dem Distanzmaß ab.
Volltextsuche kann ebenfalls über den exakten Wortlaut hinausgehen, etwa durch Wortstämme und Synonyme. Für Kennungen, Namen oder zitierte Formulierungen bleiben Suchbegriffe und exakte Filter wichtig.
Technisch betrachtet
Hybrid Search
Hybride Suche kombiniert etwa die Ranglisten aus Volltext- und Vektorsuche. Reciprocal Rank Fusion (RRF) verwendet dafür die Positionen der Treffer in beiden Listen. Zugriffsrechte und harte Bedingungen wie Land, Vertragsart oder Produkt-ID werden separat durchgesetzt.
Trefferqualität prüfen
Teste mit umformulierten Fragen, exakten Kennungen und mehrdeutigen Begriffen. Halte fest, welche Dokumente pro Frage relevant sind. Vergleiche Volltextsuche, Vektorsuche und die Kombination anhand der ersten Treffer und der Antwortzeit. Wenn kein Ergebnis passt, prüfe die Indexierung und das Embedding-Modell. Wenn ein passender Treffer zu weit unten steht, kann Reranking helfen.
Schritt für Schritt
So wird Bedeutung durchsuchbar
Bei einer embeddingbasierten Suche werden Anfrage und Inhalte in einem gemeinsamen Vektorraum verglichen.
Inhalte vorbereiten
Indexierung
Dokumente werden in passende Abschnitte geteilt, mit Metadaten versehen und als Embeddings gespeichert.
Textabschnitt → Embedding + MetadatenFrage einbetten
Anfrage
Die Suchanfrage wird mit dem zum Index passenden Modell und Anfrageformat kodiert.
Frage → Query-VektorÄhnliche Bedeutungen finden
Retrieval
Eine Vektorsuche liefert nahe Dokumentvektoren als Kandidaten. Ob die zugehörigen Passagen die Frage beantworten, muss separat geprüft werden.
Query-Vektor → ähnliche ChunksErgebnisse absichern
Ranking
Filter begrenzen die zulässigen Treffer. Volltext-Ranking und Reranking können ihre Reihenfolge ändern.
Semantik + Filter + Rangfolge
Konkretes Beispiel
Beispiel: Eine Frage zur Vertragskündigung
Die Wissensbasis verwendet den Begriff Vertragsbeendigung, die Person sucht aber nach Kündigungsfrist.
Suche nach Kündigung
Eine Suche ohne passende Synonymregeln kann Abschnitte über Vertragsbeendigung übersehen.
Semantische Suche
Die Vektorsuche kann Abschnitte zu Vertragsbeendigung und Fristen finden. Ein Filter begrenzt die Ergebnisse auf die zutreffende Vertragsart.
Semantische Suche erweitert die Trefferbasis. Für harte Bedingungen wie Land oder Vertragsart bleiben Metadatenfilter wichtig.
Einordnung
Vorteile und Grenzen
Das spricht dafür
- Findet passende Inhalte trotz anderer Formulierungen oder Synonyme.
- Verbessert Retrieval für Fragen in natürlicher Sprache.
- Funktioniert über verschiedene Dokumenttypen und größere Bestände hinweg.
- Lässt sich mit Filtern, Keyword-Suche und Reranking kombinieren.
Das solltest du beachten
- Die Trefferqualität hängt stark vom Embedding-Modell ab.
- Ähnlichkeit ist kein Beweis für fachliche Korrektheit.
- Metadaten und Berechtigungen müssen separat durchgesetzt werden.
- Schwellenwerte und Ranking brauchen reale Testfragen.
Vertiefung · für FortgeschritteneBausteine einer semantischen Suche
Bedeutungsähnlichkeit wird erst mit guten Quellen und klaren Filtern zu verlässlichem Retrieval.
Bedeutung vergleichen
