Semantische Suche

Was ist semantische Suche?

Semantische Suche ist eine Retrieval-Methode, die Anfragen anhand ihrer Bedeutung statt anhand gemeinsamer Schlüsselwörter mit Dokumenten abgleicht, typischerweise indem beide in Vektor-Embeddings umgewandelt und Dokumente danach eingestuft werden, wie nah ihre Vektoren an dem der Anfrage liegen. Eine Suche nach "Passwort zurücksetzen" kann ein Dokument mit dem Titel "Wiederherstellung von Kontoanmeldedaten" zutage fördern, obwohl beide kein einziges Wort teilen. Der Ansatz erreichte 2019 breite Anwendung, als Google BERT in der Suche einsetzte, um die Bedeutung von Anfragen zu interpretieren, und erklärte, das Modell werde das Verständnis von einer von zehn englischsprachigen Suchanfragen in den USA verbessern [1].

Die wichtigsten Punkte

• Der Abgleich findet im Embedding-Raum statt. Anfrage und Dokumente werden zu Vektoren, und Relevanz wird über geometrische Ähnlichkeit gemessen, meist die Kosinus-Ähnlichkeit zwischen ihnen.
• Sie glänzt genau dort, wo die Keyword-Suche versagt: bei Synonymen, Umformulierungen, sprachübergreifenden Treffern und Fragen, die völlig anders formuliert sind als der beantwortende Text.
• Sie versagt dort, wo die Keyword-Suche glänzt: bei exakten Bezeichnern, Produktcodes, Fehlermeldungen und seltenen Namen – weshalb Produktivsysteme hybride Suche statt einer Entweder-oder-Entscheidung einsetzen.
• Semantische Suche ist die Retrieval-Engine in den meisten RAG-Systemen und zunehmend ein Tool, das Agenten direkt aufrufen, wenn sie Codebasen und Dokumentspeicher durchsuchen.

So funktioniert es

Die Grundlage bildet ein Embedding-Modell, ein neuronales Netz, das so trainiert ist, dass Texte mit ähnlicher Bedeutung auf nahe beieinanderliegende Punkte in einem hochdimensionalen Raum abgebildet werden, üblicherweise mit einigen Hundert bis wenigen Tausend Dimensionen. Zur Indexierungszeit wird jedes Dokument, oder häufiger jeder Chunk jedes Dokuments, durch dieses Modell geschickt, und sein Vektor-Embedding wird gespeichert. Zur Anfragezeit bettet dasselbe Modell die Anfrage ein, und das System findet die gespeicherten Vektoren, die ihr am nächsten liegen, wobei die Nähe über Kosinus-Ähnlichkeit oder Skalarprodukt bewertet wird. Weil "Wiederherstellung von Anmeldedaten" und "Passwort zurücksetzen" in den Trainingsdaten in ähnlichen Kontexten auftreten, liegen ihre Vektoren nah beieinander, und genau diese Nähe macht sich die Suche zunutze.

Millionen Vektoren pro Anfrage vollständig zu durchsuchen ist zu langsam, weshalb eine Vektordatenbank oder Suchmaschine einen approximativen Nearest-Neighbor-Index aufbaut, etwa mit Strukturen wie HNSW-Graphen, der einen winzigen Anteil an Recall gegen eine um Größenordnungen höhere Geschwindigkeit eintauscht. Reale Deployments legen dann weitere Schichten um diesen Kern: Metadaten-Filter, um Ergebnisse nach Mandant, Datum oder Berechtigungen einzugrenzen; hybride Bewertung, die Vektor-Ähnlichkeit mit einem Keyword-Algorithmus wie BM25 verschmilzt; und häufig eine Reranking-Stufe, in der ein Cross-Encoder die besten Kandidaten neu bewertet, indem er Anfrage und Dokument gemeinsam liest – genauer als der Vergleich vorab berechneter Vektoren, aber zu teuer, um über den gesamten Korpus zu laufen. Wie groß diese Kostenlücke ist, zeigt, warum sich vorab berechnete Embeddings durchgesetzt haben: Das Sentence-BERT-Paper von Reimers und Gurevych aus dem Jahr 2019 berichtete, dass das Finden des ähnlichsten Paars unter 10.000 Sätzen mit BERT-Cross-Encoding rund 65 Stunden dauerte, gegenüber etwa 5 Sekunden beim Embedding-Vergleich, bei vergleichbarer Genauigkeit [2].

Die Qualitätsobergrenze wird vom Embedding-Modell und vom Chunking bestimmt. Ein Embedding-Modell, das schlecht zur Domäne passt – etwa allgemeine Web-Text-Embeddings, angewendet auf Rechtsverträge oder Quellcode –, ruft plausibel wirkende, aber subtil falsche Passagen ab. Chunks, die Konzepte mitten im Gedanken zerschneiden, werden als Rauschen eingebettet. Das meiste Tuning bei semantischer Suche ist in Wahrheit das Tuning dieser beiden Eingaben.

Beispiel

Ein Engineering-Team betreibt semantische Suche über sein internes Wiki mit 12.000 Seiten für einen Bereitschaftsdienst-Assistenten. Während eines Vorfalls tippt ein Ingenieur "Zahlungen hängen nach Deploy". Die Keyword-Suche liefert Seiten, die das Wort "Zahlungen" enthalten, größtenteils Produktspezifikationen. Der semantische Index fördert stattdessen einen Postmortem-Bericht mit dem Titel "Rückstau in der Transaktionswarteschlange nach Release-Rollout" zutage, der nirgends die Wörter "hängen" oder "Deploy" verwendet, aber denselben Fehler beschreibt. Das Setup des Teams bettet jeden Wiki-Abschnitt separat ein, filtert nach dem Namespace des Teams und verschmilzt Vektor-Scores mit BM25, sodass exakte Fehlercodes wie "ERR_TXN_5012" weiterhin wortwörtlich matchen. Genau dieser letzte Teil hat sich in der Woche bewährt, in der die reine, keyword-lose Vektorsuche immer wieder Seiten übersah, die exakt die gesuchte Fehlerzeichenkette enthielten.

Häufige Missverständnisse

Das verbreitete Missverständnis ist, semantische Suche verstehe eine Anfrage so, wie ein Modell sie beim Lesen verstehen würde. Sie denkt nicht nach; sie misst geometrische Nähe zwischen komprimierten Repräsentationen. Negation ist das klassische Opfer: "Datenbanken, die keine Transaktionen unterstützen" wird nah bei "Datenbanken, die Transaktionen unterstützen" eingebettet, sodass Ergebnisse präzise falsch sein können. Einschränkungen, Negationen und Logik mit mehreren Bedingungen brauchen Query Rewriting, Filter oder ein Reranking-Modell, das den Text tatsächlich liest. Ähnlichkeit ist Korrelation mit Bedeutung, nicht deren Verständnis.

FAQ

Was ist der Unterschied zwischen semantischer Suche und Keyword-Suche? Die Keyword-Suche gleicht wörtliche Begriffe ab und bewertet sie, wobei Algorithmen wie BM25 gewichten, wie selten und wie häufig jeder Begriff vorkommt. Semantische Suche vergleicht Bedeutung über Embeddings, sodass sich der Wortlaut völlig unterscheiden kann. Keyword gewinnt bei exakten Zeichenketten und Bezeichnern, semantisch gewinnt bei Umformulierung und Absicht, und hybride Suche existiert, weil reale Anfragen beides enthalten.

Ist semantische Suche dasselbe wie Vektorsuche? Fast. Vektorsuche benennt die mechanische Operation, den Nearest-Neighbor-Lookup über Embeddings, unabhängig davon, was die Vektoren repräsentieren. Semantische Suche benennt das Ziel, Retrieval nach Bedeutung, und Text-Embeddings plus Vektorsuche ist der Weg, wie dies in der Praxis erreicht wird.

Warum ruft mein RAG-System auch mit semantischer Suche irrelevante Chunks ab? Die üblichen Verdächtigen, in dieser Reihenfolge: Chunking, das Kontext durchtrennt, ein Embedding-Modell, das nicht zur Domäne oder zum Anfragestil passt, fehlende Metadaten-Filter, durch die Dokumente anderer Mandanten oder Zeiträume durchsickern, und kein Reranker, der die Spitze der Liste bereinigt. Messen Sie die Retrieval-Qualität direkt mit einem gelabelten Anfrage-Set, bevor Sie dem Generator die Schuld geben.

Quellen

1. Google, The-Keyword-Blog. "BERT in der Suche verbessert eine von zehn englischsprachigen Suchanfragen in den USA." https://blog.google/products/search/search-language-understanding-bert/. Abgerufen im August 2026.
2. Reimers & Gurevych. "Geschwindigkeitsgewinn der Sentence-BERT-Ähnlichkeitssuche gegenüber BERT-Cross-Encoding." https://arxiv.org/abs/1908.10084. Abgerufen im August 2026.