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

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.

Auch: semantic search, similarity search, dense retrieval

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

Stichwortsuche findet Dokumente, die die eingetippten Wörter enthalten. Vektorsuche findet Dokumente, deren Embeddings nahe am Embedding der Abfrage liegen, sodass „Auto springt nicht an“ eine Seite mit dem Titel „Fehlersuche bei leerer Batterie“ treffen kann. Die Nähe wird mit Kosinus-Ähnlichkeit, Skalarprodukt oder euklidischem Abstand gemessen.

Dense Retrieval

Dense Retrieval ist der Name für dieselbe Idee im Information Retrieval: Abfragen und Passagen werden jeweils in dichte Vektoren kodiert, und das Retrieval ist eine Suche nach den nächsten Nachbarn. Der Begriff steht im Gegensatz zu Sparse Retrieval wie BM25, bei dem die meisten Vektoreinträge null sind und jeder für ein Wort steht. Ein Paper von 2020 zu Dense Passage Retrieval zeigte, dass dieser Ansatz, trainiert auf Paaren aus Fragen und Passagen, eine starke BM25-Baseline bei Open-Domain-Question-Answering schlagen konnte.

Wie es im großen Maßstab läuft

Eine Abfrage mit jedem gespeicherten Vektor zu vergleichen ist exakt, aber langsam. Produktivsysteme nutzen Indizes für Approximate Nearest Neighbors wie HNSW, meist in einer Vektordatenbank.

Grenzen

Vektorsuche kann exakte Treffer bei Namen, Fehlercodes und seltenen Begriffen verpassen, und sie liefert immer etwas, auch wenn nichts Relevantes existiert. Viele Teams kombinieren sie in einer hybriden Suche mit Stichwortsuche und wenden dann Reranking an.

Verwandte Begriffe

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.
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.
Embedding
Ein Embedding (Einbettung) ist eine Liste von Zahlen (ein Vektor), die ein Stück Text, ein Bild oder andere Daten repräsentiert und so erzeugt wird, dass Elemente mit ähnlicher Bedeutung nahe beieinanderliegende Vektoren erhalten.
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.
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.

Quellen