Sofortantwort
Vector Search einfach erklärt
Suche nach den nächsten Nachbarn eines Abfragevektors.
- Kurz gesagt
- Findet die ähnlichsten Vektoren (Nearest Neighbors) zu einem Abfragevektor
- Typischer Einsatz
- RAG-Retrieval, Bildsuche, Empfehlungen
- Wichtig zu wissen
- Kernkomponente von RAG-Systemen, Empfehlungssystemen und semantischer Suche
Vector Search im Überblick
Vector Search sucht die nächsten Nachbarn eines Abfragevektors nach einem gewählten Distanz- oder Ähnlichkeitsmaß. Ob die Ergebnisse inhaltlich zur Frage passen, hängt von den Embeddings ab.
Wie funktioniert das?
- Alle Daten werden in Vektoren (Embeddings) umgewandelt
- Bei einer Anfrage wird auch diese in einen Vektor umgewandelt
- Die Suche gibt bis zu k Vektoren mit ihren IDs und Distanz- oder Ähnlichkeitswerten zurück
Der Ablauf:
Anfrage → Embedding-Modell → Abfragevektor → Vector Search → Top-k ähnlichste Vektoren
"Was ist ML?" → [0.2, 0.8, ...] → Suche im Index → [Doc1, Doc5, Doc12]Warum nicht einfach alle vergleichen?
Ein vollständiger Vergleich ist eine exakte Referenz. Wenn er unter realer Last zu langsam ist, prüfst du einen ANN-Index. Wie viel Suchzeit er spart und wie viele Nachbarn er verpasst, hängt von Daten, Hardware, Einstellungen und Filtern ab.
Wo wird Vector Search eingesetzt?
- RAG-Systeme: Relevante Dokumente für LLM-Anfragen finden
- Bildsuche: Ähnliche Bilder finden (Google Reverse Image Search)
- Empfehlungen: “Kunden kauften auch…”
Technisch betrachtet
Exakte Suche und ANN-Indizes
| Suchverfahren | Prinzip | Was du prüfst |
|---|---|---|
| Flat | Vollständiger Vergleich | Exakte Referenz für die gewählte Metrik |
| HNSW | Navigation durch einen mehrstufigen Graphen | Recall und Latenz bei unterschiedlicher Suchbreite |
| IVF | Suche in ausgewählten Vektorgruppen | Einfluss der Zahl durchsuchter Gruppen auf Recall und Latenz |
HNSW (Hierarchical Navigable Small World)
Die Suche navigiert zunächst über gröbere Ebenen des Graphen und untersucht auf der untersten Ebene weitere Kandidaten. In Implementierungen wie pgvector kann eine größere Kandidatenliste die Trefferquote verbessern und die Suche verlangsamen. Selektive Metadatenfilter können beeinflussen, wie viele Treffer zurückkommen.
Miss Recall@k als Anteil der exakten Top-k-Treffer, die auch das ANN-Ergebnis enthält. Halte Distanzmaß, Filter und Datenstand für beide Läufe gleich. Prüfe zusätzlich die fachliche Relevanz der Treffer und die Latenz bei typischer Parallelität.
Hybrid Search
Hybride Suche kann das Ranking der Vektorsuche mit dem Ranking einer Stichwortsuche kombinieren. Reciprocal Rank Fusion (RRF) führt beide Listen anhand ihrer Rangplätze zusammen. Prüfe den Nutzen besonders bei Anfragen mit Namen, Kennungen und abweichenden Formulierungen.
Schritt für Schritt
Von der Anfrage zum passenden Treffer
Vector Search vergleicht die Position von Anfrage und Inhalten im gemeinsamen Vektorraum.
Inhalte indexieren
Vorbereitung
Dokumente oder Bilder erhalten Embeddings und werden zusammen mit ihren Metadaten in einem Suchindex abgelegt.
Inhalt → VektorindexAnfrage umwandeln
Query
Die Suchfrage wird mit dem zum Index passenden Modell und Anfrageformat in einen Vektor übersetzt.
Frage → Query-VektorNahe Nachbarn finden
Suchmodus
Exakte Suche vergleicht die zulässigen Vektoren. Ein ANN-Index untersucht ausgewählte Kandidaten und kann dabei nahe Nachbarn übersehen.
Query → Top-k NachbarnFiltern und weiterreichen
Qualität
Metadaten und Zugriffsregeln bestimmen, welche Treffer zulässig sind. Ein optionaler Reranker ordnet diese Treffer nach ihrer Relevanz zur Frage.
Kandidaten → geprüfter Kontext
Konkretes Beispiel
Beispiel: Interne Suche für ein Produktteam
Ein Team sucht nach Informationen zu einer geplanten Login-Änderung.
Suche nach dem Wort Login
Eine Suche nach genau diesem Wort kann Dokumente über Anmeldung oder Single Sign-on übersehen.
Vector Search
Die Suche liefert die semantisch nahen Architekturentscheidungen und Tickets als Kandidaten, anschließend filtert sie auf das aktuelle Produkt.
Vector Search schafft schnelle Abdeckung. Präzision entsteht erst durch Metadaten, passende Chunking-Regeln und eine gute Rangfolge.
Einordnung
Vorteile und Grenzen
Das spricht dafür
- Findet verwandte Inhalte über Wortlaut und Synonyme hinaus.
- ANN-Indizes können unter passender Konfiguration Suchzeit sparen.
- Unterstützt Text, Bilder, Audio und Produktdaten mit demselben Muster.
- Lässt sich gut als erste Retrieval-Stufe einsetzen.
Das solltest du beachten
- Schnellere ANN-Suche kann einzelne optimale Treffer übersehen.
- Indexparameter verlangen einen Abgleich zwischen Tempo und Trefferquote.
- Metadatenfilter und Zugriffsrechte sind eine zusätzliche Anforderung.
- Die Suchqualität fällt mit schwachen oder veralteten Embeddings.
Vertiefung · für FortgeschritteneBausteine einer Vektorsuche
Ein Index beschleunigt die Suche; er ersetzt nicht die fachliche Qualitätsprüfung.
Nächste Nachbarn
