Sofortantwort
Vector Search einfach erklärt
Daten werden als Vektoren dargestellt, um ähnliche zu finden.
- 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 findet die ähnlichsten Datenpunkte zu einer Anfrage – nicht durch Keyword-Matching, sondern durch Bedeutungsähnlichkeit.
Wie funktioniert das?
- Alle Daten werden in Vektoren (Embeddings) umgewandelt
- Bei einer Anfrage wird auch diese in einen Vektor umgewandelt
- Vector Search findet die Vektoren, die dem Anfragevektor am ähnlichsten sind
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?
Bei Millionen von Vektoren wäre das viel zu langsam. Deshalb nutzt Vector Search clevere Algorithmen (ANN – Approximate Nearest Neighbor), die in Millisekunden die ähnlichsten Vektoren finden.
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
ANN-Algorithmen
| Algorithmus | Prinzip | Geschwindigkeit | Genauigkeit |
|---|---|---|---|
| HNSW | Hierarchischer Graph | Sehr schnell | Sehr hoch |
| IVF | Voronoi-Partitionierung | Schnell | Hoch |
| LSH | Hash-basiert | Sehr schnell | Mittel |
| ScaNN | Quantisierung + Partitionierung | Sehr schnell | Hoch |
HNSW (Hierarchical Navigable Small World)
Der populärste ANN-Algorithmus:
- Baut einen mehrschichtigen Graphen auf
- Suche startet in der obersten (gröbsten) Schicht
- Navigiert durch die Schichten zum nächsten Nachbarn
- Typisch: 95-99% Recall bei 10-100x Speedup vs. Brute Force
Hybrid Search
Kombination von Vector Search mit traditioneller Suche:
- Dense Retrieval: Embedding-basierte Ähnlichkeit
- Sparse Retrieval: BM25/TF-IDF Keyword-Matching
- Reciprocal Rank Fusion: Ergebnisse beider Methoden kombinieren
Schritt für Schritt
Von der Anfrage zum passenden Treffer
Vector Search sucht nicht nach denselben Wörtern, sondern nach den nächsten Positionen im Embedding Space.
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 demselben Modell in einen Query-Vektor übersetzt.
Frage → Query-VektorNahe Nachbarn finden
ANN
Ein ANN-Index durchquert nur einen relevanten Teil des Vektorraums und liefert schnell Kandidaten.
Query → Top-k NachbarnFiltern und weiterreichen
Qualität
Metadatenfilter, Reranking oder ein LLM entscheiden, welche Kandidaten tatsächlich verwendet werden.
Kandidaten → geprüfter Kontext
Konkretes Beispiel
Beispiel: Interne Suche für ein Produktteam
Ein Team sucht nach Informationen zu einer geplanten Login-Änderung.
Keyword-Suche
Sie findet Tickets mit dem Wort Login, aber übersieht Dokumente zu Anmeldung, Single Sign-on und Zugriffsrechten.
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.
- Skaliert mit ANN-Indizes auf sehr große Datenmengen.
- 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