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

Hybride Suche

Hybride Suche (Hybrid Search) führt zu derselben Anfrage eine Stichwortsuche und eine Vektorsuche aus und führt die beiden Ergebnislisten zusammen, sodass Treffer sowohl über exakte Wörter als auch über Bedeutung passen können.

Auch: hybrid retrieval

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

Vektorsuche ist gut bei Umschreibungen und schwach bei exakten Kennungen. Stichwortsuche mit BM25 ist das Gegenteil: Sie findet einen exakten Fehlercode, verfehlt aber „the app crashes on login“, wenn im Dokument „authentication failure“ steht. Hybride Suche führt beides aus und kombiniert es, was meist mehr von den Anfragen abdeckt, die echte Nutzer tippen.

Wie die Listen zusammengeführt werden

Die beiden Suchen liefern Werte auf verschiedenen Skalen, sie lassen sich also nicht einfach addieren. Zwei Methoden sind üblich. Reciprocal Rank Fusion (RRF) ignoriert die Rohwerte und belohnt Dokumente, die in einer der beiden Listen weit oben stehen; sie braucht keine Abstimmung. Weighted Score Fusion normiert die Werte jeder Liste und mischt sie mit einem Gewicht, oft Alpha genannt, das festlegt, wie viel jede Seite zählt.

Beispiel

Eine Website mit Entwicklerdokumentation bekommt eine Anfrage, die einen bestimmten HTTP-Statuscode und das Wort „retry“ nennt. BM25 findet Seiten mit genau diesem Code. Vektorsuche findet eine Seite über Backoff-Strategien, die ihn nie erwähnt. Die Fusion bringt beide nach oben.

Wo sie hinpasst

Hybride Suche ist eine erste Stufe. Teams schicken ihre besten Ergebnisse oft an ein Modell für Reranking, das die endgültige Reihenfolge festlegt, bevor sie an einen Prompt für Retrieval-Augmented Generation gehen. Viele Vektordatenbanken wie Weaviate unterstützen sie direkt. Gelerntes Sparse Retrieval kann auf der Stichwortseite BM25 ersetzen.

Verwandte Begriffe

BM25
BM25 ist eine Ranking-Formel für die Stichwortsuche. Sie bewertet jedes Dokument danach, wie oft die Wörter der Anfrage darin vorkommen, gewichtet seltene Wörter stärker und rechnet langen Dokumenten und wiederholten Begriffen weniger an.
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.
Reranking
Reranking (Neusortierung) ist ein zweiter Suchschritt, der eine kurze Liste von Kandidatendokumenten nimmt und sie nach Relevanz für die Abfrage neu ordnet, mit einem genaueren, aber langsameren Modell als bei der ersten Suche.
Sparse Retrieval
Sparse Retrieval (dünnbesetzte Suche) stellt Abfragen und Dokumente als Vektoren über ein Vokabular dar, in denen die meisten Einträge null sind und jeder Eintrag ungleich null ein Wortgewicht ist. So kann die Suche schnelle invertierte Indizes nutzen, wie bei der Stichwortsuche.
Retrieval-Augmented Generation
Retrieval-Augmented Generation (RAG, abrufgestützte Generierung) ist ein Muster, bei dem ein System zuerst eine Dokumentensammlung nach Passagen durchsucht, die für eine Frage relevant sind, und diese Passagen dann einem Sprachmodell gibt, damit seine Antwort darauf aufbaut.

Quellen