Vector Search

Vector Search ist ein Suchverfahren, das Inhalte anhand ihrer Bedeutung findet, nicht anhand exakter Übereinstimmung von Wörtern. Texte werden dafür in Zahlenvektoren (Embeddings) übersetzt, die ihre inhaltliche Bedeutung abbilden. Die Suche liefert dann die Einträge, deren Vektoren dem der Anfrage am nächsten liegen.

Warum Vector Search wichtig ist

Klassische Suche vergleicht Zeichenketten. Wer nach "Auto" sucht, findet keine Texte, die nur von "Fahrzeug" oder "PKW" sprechen. Vector Search überwindet diese Grenze, weil sie Bedeutung vergleicht statt Buchstaben. Eine Anfrage findet damit auch Inhalte, die dasselbe meinen, aber andere Wörter verwenden.

Damit ist Vector Search die Grundlage für viele KI-Anwendungen. Chatbots, Empfehlungssysteme und die Suche in grossen Wissensbeständen beruhen darauf, inhaltlich passende Stellen zu finden. Besonders in Kombination mit Sprachmodellen ist das Verfahren zentral, weil es einem LLM gezielt den relevanten Kontext liefert.

Vector Search in der Praxis

Für die meisten Websites, die designtakt baut, reicht eine klassische Suche oder ein gut gepflegter Filter. Bei einem Blog mit zwanzig Artikeln bringt eine semantische Suche kaum einen Vorteil. Spannend wird Vector Search, sobald ein Unternehmen viel Wissen in Textform hat, etwa Dokumentation, Support-Artikel oder hunderte Produktseiten, und Nutzer mit ihren eigenen Worten danach fragen. Weil Inhalte in Sanity strukturiert vorliegen, lässt sich dort mit einem Embeddings-Index direkt eine semantische Suche oder ein RAG-Setup aufbauen, ohne die Inhalte in ein weiteres System zu kopieren. Unsere Einschätzung: Der Index ist schnell eingerichtet, der eigentliche Aufwand liegt in sauberen, gut gegliederten Inhalten, denn eine semantische Suche findet nur, was klar geschrieben ist.

Verwandte Begriffe

RAG nutzt Vector Search, um zu einer Frage die passenden Textstellen aus einer Wissensquelle zu finden und einem LLM als Kontext mitzugeben.

LLM verarbeitet den von der Vector Search gelieferten Kontext und formuliert daraus eine Antwort.

Sanity bietet für strukturierte Inhalte Embeddings-Indizes, auf denen sich semantische Suche aufbauen lässt.

Häufige Fragen zu Vector Search

Was ist ein Embedding?

Ein Embedding ist die Übersetzung eines Textes in eine Liste von Zahlen (einen Vektor), die seine Bedeutung abbildet. Inhaltlich ähnliche Texte erhalten ähnliche Vektoren und liegen im Vektorraum nah beieinander. Diese Zahlenrepräsentation macht es möglich, Bedeutung mathematisch zu vergleichen, statt nur Wörter abzugleichen.

Was ist der Unterschied zwischen Vector Search und klassischer Suche?

Klassische Suche (Keyword-Suche) findet Ergebnisse, die dieselben Wörter enthalten wie die Anfrage. Vector Search findet Ergebnisse, die dasselbe meinen, auch wenn sie andere Begriffe verwenden. In der Praxis werden beide oft kombiniert, um sowohl exakte Treffer als auch inhaltlich passende Ergebnisse abzudecken.