Vektorsuche

Einfach erklärt

Eine Stichwortsuche gleicht dem Register am Ende eines Buchs: Sie zeigt die Seiten, auf denen ein Wort steht. Eine Vektorsuche gleicht einer erfahrenen Bibliothekarin, die weiß, welche Bücher vom selben Thema handeln, auch wenn darin andere Worte stehen.

Was technisch passiert

Ein Embedding-Modell übersetzt jeden Textabschnitt in einen Vektor, eine lange Reihe von Zahlen. Abschnitte mit ähnlicher Bedeutung erhalten dabei Vektoren, die nah beieinanderliegen. Die Suchanfrage wird mit demselben Modell übersetzt. Anschließend misst die Datenbank den Abstand, oft über die Kosinus-Ähnlichkeit, und gibt die nächsten Nachbarn zurück.

Bei Millionen von Abschnitten wäre ein Vergleich mit jedem einzelnen zu langsam. Vektordatenbanken nutzen deshalb Indexstrukturen für eine näherungsweise Nächste-Nachbarn-Suche. Verbreitet ist HNSW, ein Graph aus mehreren Ebenen: Die Suche beginnt grob auf der obersten Ebene und nähert sich Ebene für Ebene dem Ziel. Dafür nimmt man in Kauf, dass gelegentlich ein passender Treffer nicht gefunden wird.

Die Hybridsuche ergänzt das Verfahren um Wortgenauigkeit. Die Qdrant-Dokumentation beschreibt die Kombination dichter Vektoren, die die Bedeutung erfassen, mit dünn besetzten Vektoren für exakte Wortübereinstimmungen. Beide Ergebnislisten werden danach fusioniert, zum Beispiel per Reciprocal Rank Fusion: Sie bevorzugt Treffer, die in mehreren Listen weit oben stehen.

In der Praxis

In SUFAWI, der Wissensdatenbank von AI SolutionX, arbeiten zwei Suchen zusammen: Qdrant übernimmt den semantischen Teil, Meilisearch die klassische Volltextsuche. Eine Frage in Alltagssprache findet so die passende Passage, und eine exakte Vertragsnummer führt trotzdem zum richtigen Dokument. Embeddings und Vektorsuche laufen auf der lokalen KI-Plattform des Unternehmens. Damit bleibt auch dieser Verarbeitungsschritt im Haus und nicht erst die Antwort des Sprachmodells. Auf der Projektseite zum Vier-Spark-Verbund ist dieselbe Kombination aus Qdrant und hybrider Suche für vertrauliche Wissensräume vorgesehen.

Wann ist das sinnvoll?

• Wenn Menschen in eigenen Worten suchen und die Dokumente andere Begriffe verwenden.
• Als Suchschicht eines RAG-Systems, das dem Sprachmodell passende Abschnitte liefert.
• Hybrid, sobald Bezeichner, Normen oder Artikelnummern eine Rolle spielen.
• Eine reine Volltextsuche genügt, wenn ohnehin nur nach exakten Begriffen gesucht wird.