Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Approximative Nächste-Nachbarn-Suche

Die approximative Nächste-Nachbarn-Suche (Approximate Nearest Neighbor, ANN) findet Vektoren nahe an einer Anfrage, ohne jeden gespeicherten Vektor zu prüfen. Sie verzichtet auf die Garantie des exakt besten Treffers und sucht dafür in großen Sammlungen viel schneller.

Auch: ANN, ANN search, approximate k-nearest neighbor

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Die exakten nächsten Nachbarn zu finden heißt, die Anfrage mit jedem vorhandenen Vektor zu vergleichen. Das geht bei einer kleinen Sammlung gut und ist bei einer sehr großen zu langsam. ANN-Algorithmen bauen vorab einen Index, sodass eine Suche nur einen kleinen Teil der Daten berührt.

Die wichtigsten Familien

Graphbasierte Indizes wie HNSW verknüpfen jeden Vektor mit nahen Vektoren und laufen den Graphen in Richtung der Anfrage entlang. Clustering-Indizes wie IVF gruppieren Vektoren in Buckets und durchsuchen nur die Buckets, die der Anfrage am nächsten liegen. Quantisierungsverfahren komprimieren Vektoren, damit mehr in den Speicher passen und Abstandsberechnungen günstiger werden. Bibliotheken wie Faiss kombinieren diese Ansätze.

Die Abwägung

Die Qualität von ANN wird als Recall gemessen: der Anteil der echten nächsten Nachbarn, den der Index tatsächlich zurückgibt. Einstellungen wie die Zahl der zu erkundenden Graph-Nachbarn oder der zu prüfenden Cluster tauschen Recall gegen Geschwindigkeit und Speicher. Für die meisten Such- und Retrieval-Augmented-Generation-Anwendungen ist ein naher Nachbar etwa so nützlich wie der exakte, der Verlust ist also gering.

Wo du ihr begegnest

Du implementierst ANN selten selbst. Eine Vektordatenbank wählt und optimiert einen Index für dich, auch wenn die meisten Parameter offenlegen. Wenn Ergebnisse offensichtliche Treffer zu verfehlen scheinen, prüf die Index-Einstellungen, bevor du dem Embedding-Modell die Schuld gibst. Miss mit Retrieval-Metriken auf einem gelabelten Datensatz.

Verwandte Begriffe

HNSW
HNSW (Hierarchical Navigable Small World) ist ein graphbasierter Index für die approximative Nächste-Nachbarn-Suche. Er verknüpft Vektoren über mehrere Ebenen mit ihren Nachbarn, sodass eine Suche schnell zu den nächstgelegenen Treffern springen kann.
Vektordatenbank
Eine Vektordatenbank speichert Embeddings zusammen mit ihren Quelldatensätzen und findet die gespeicherten Vektoren, die einem Abfragevektor am nächsten liegen, meist mit einem approximativen Index, damit die Suche über Millionen von Einträgen schnell bleibt.
Vektorsuche
Vektorsuche (Vector Search) findet Einträge, indem sie ihre Embeddings mit dem Embedding einer Abfrage vergleicht und die nächstgelegenen zurückgibt. Ergebnisse passen so nach Bedeutung statt nach gemeinsamen Stichwörtern.
Retrieval-Metriken (Recall@k, nDCG, MRR)
Retrieval-Metriken bewerten, wie gut ein Suchsystem relevante Dokumente liefert. Recall@k prüft, wie viele relevante Einträge unter den ersten k erscheinen, nDCG belohnt es, sie weit oben einzuordnen, und MRR misst, wie früh der erste richtige auftaucht.
Embedding-Dimension
Die Embedding-Dimension ist die Anzahl der Werte in jedem Vektor, den ein Embedding-Modell ausgibt. Mehr Dimensionen können mehr Details fassen, aber jeder zusätzliche Wert erhöht Speicher-, Arbeitsspeicher- und Suchkosten pro Element.

Quellen