Du suchst nach „Passwort vergessen“, der passende Hilfeartikel heißt aber „Zugangsdaten wiederherstellen“. Eine Suche, die nur diese Wörter abgleicht, kann ihn übersehen. Wie findet sie trotzdem den richtigen Inhalt?
Embeddings helfen einer Suche, verwandte Inhalte auch bei unterschiedlichen Formulierungen zu finden. Dafür übersetzt ein trainiertes Modell Suchanfragen und Textstellen in Zahlenvektoren. Ein mathematischer Vergleich liefert Kandidaten, deren Inhalt zur Anfrage passen könnte. So wird aus einer Suche nach Wörtern eine Suche nach inhaltlicher Nähe. Ob ein Treffer tatsächlich hilft, muss die Anwendung anschließend prüfen.
Embeddings machen inhaltliche Nähe berechenbar. Sie helfen, passende Inhalte zu finden; ob diese relevant und richtig sind, entscheidet der Zahlenwert nicht.
Wie Texte zu vergleichbaren Zahlen werden
Ein Embedding-Modell hat im Training Beziehungen zwischen Texten gelernt. Es kann deshalb ähnliche Formulierungen miteinander verbinden, auch wenn sie kaum Wörter teilen. Für jeden eingegebenen Text berechnet es einen , also eine geordnete Liste von Zahlen. Die Länge dieser Liste ist die Zahl der Dimensionen.
Stell dir einen Raum vor, in dem verwandte Inhalte in einer ähnlichen Richtung liegen. „Passwort vergessen“ und „Zugangsdaten wiederherstellen“ könnten dort näher zusammenliegen als „Lieferadresse ändern“. Anders als auf einer Landkarte hat dieser Raum oft Hunderte oder Tausende Dimensionen. Einzelne Koordinaten lassen sich gewöhnlich nicht als Eigenschaften wie „Passwort“ oder „Problem“ lesen. Die Beziehung ergibt sich aus dem gesamten Vektor.
Dabei zählt der eingegebene Kontext. Das Wort „Bank“ allein ist mehrdeutig; „Die Bank am Fluss ist aus Holz“ und „Ich überweise Geld an meine Bank“ beschreiben unterschiedliche Dinge. Ein Embedding stellt den jeweiligen Text dar, keine für alle Situationen festgelegte Wortbedeutung.
Wie daraus eine Suche wird
Für eine Dokumentationssuche werden die Inhalte zuerst in sinnvolle Textabschnitte zerlegt und deren Embeddings gespeichert. Bei einer Suchanfrage muss dann nur noch der neue Anfragevektor berechnet und mit den gespeicherten Vektoren verglichen werden:
- Inhalte vorbereiten: Ein Abschnitt erklärt etwa, wie sich Zugangsdaten zurücksetzen lassen. Sein Vektor wird zusammen mit dem Text und dem Link zum Hilfeartikel abgelegt.
- Anfrage darstellen: „Passwort vergessen“ erhält einen Vektor mit demselben Modell und einer zur Suche passenden Konfiguration.
- Kandidaten finden: Die Suche ermittelt die ähnlichsten Textabschnitte und ordnet sie nach ihrem Vergleichswert.
- Treffer auswählen: Zusätzliche Kriterien wie Sprache, Aktualität oder Produktversion grenzen die Ergebnisse ein.
Die Größe der Abschnitte beeinflusst die Suche: Ein ganzer Hilfeartikel kann mehrere Themen vermischen; ein einzelner Satz kann entscheidenden Kontext verlieren. Gute Abschnitte behandeln eine zusammenhängende Frage und enthalten genug Information, um ohne den restlichen Artikel verständlich zu bleiben.
Für exakte Kennungen wie „ERR-1042“ bleibt eine Wortsuche wichtig. Beide Verfahren lassen sich kombinieren: Stichwörter treffen die genaue Schreibweise, Embeddings finden verwandte Formulierungen. Wie der erste Baustein funktioniert, zeigt Intuitive Suche.
Was ein Ähnlichkeitswert aussagt
Ein häufiges Vergleichsmaß ist die . Sie vergleicht die Richtung zweier Vektoren unabhängig von ihrer Länge. Ihr Wertebereich liegt zwischen −1 und +1. Höhere Werte bedeuten ähnlichere Richtungen. Ein Wert von 0,8 bedeutet jedoch nicht „80 Prozent gleiche Bedeutung“.
Für eine Suche ist zunächst die Rangfolge entscheidend: Steht die Anleitung zum Zurücksetzen der Zugangsdaten vor dem Artikel zur Lieferadresse? Einen universellen Grenzwert für einen guten Treffer gibt es nicht. Dafür brauchst du typische Suchanfragen und eine Einschätzung, welche Textstellen jeweils helfen sollen. Vergleiche nur Vektoren aus demselben Modell mit kompatibler Konfiguration und derselben Dimensionszahl.
Thematische Nähe kann außerdem über einen wichtigen Unterschied hinwegtäuschen. „Ich mag Kaffee“ und „Ich mag keinen Kaffee“ handeln beide von Kaffee, widersprechen sich aber. Ein hoher Vergleichswert kann deshalb einen interessanten Kandidaten liefern, ohne dessen Aussage zu bestätigen. Das gilt ebenso für veraltete Anleitungen oder sachlich falsche Texte.
Wo Embeddings nützlich sind
Der Suchbaustein in RAG
Bei kann die Embedding-Suche relevante Abschnitte aus einer Wissenssammlung liefern. Erst danach formuliert ein Sprachmodell die Antwort mit diesem Kontext. Die Vektoren selbst enthalten weder den lesbaren Quelltext noch eine fertige Antwort; die gefundenen Abschnitte müssen mitgeladen werden.
Damit hängt die Qualität einer Antwort auch davon ab, ob die Suche die richtigen Quellen liefert. Ein fehlender oder unpassender Abschnitt lässt sich durch einen hohen Ähnlichkeitswert nicht ausgleichen. Wenn ein Agent statt Textsuche eine konkrete Funktion ausführen soll, ist das eine weitere Fähigkeit: Web MCP erklärt das Bereitstellen solcher Werkzeuge.
Ähnlichkeit selbst prüfen
Mit dem Vergleich unten kannst du eigene Erwartungen testen. Gib zum Beispiel „Passwort vergessen“, „Zugangsdaten wiederherstellen“ und „Lieferadresse ändern“ ein. Berechne die Embeddings und prüfe, welches Paar am ähnlichsten eingestuft wird. Probiere anschließend die beiden Sätze über Kaffee: Bleibt die thematische Nähe trotz des Widerspruchs hoch? Das Experiment zeigt Beziehungen zwischen kurzen Texten; die Qualität einer ganzen Dokumentationssuche prüft es nicht.
Beispielwerte – ändere die Begriffe und berechne deinen eigenen Vergleich.
Ähnlichkeit vergleichen
Höher = ähnlichere Richtung (−1 bis +1). Der Regler vergleicht nur die ersten Koordinaten; er erzeugt keine neuen Embeddings.
Apfel ↔ Apple
0.794Apfel ↔ Banane
0.717Apple ↔ Pizza
0.658Banane ↔ Pizza
0.641Apfel ↔ Pizza
0.618Apple ↔ Banane
0.588Paare sind nach Ähnlichkeit sortiert. Die Werte sind keine Prozente und beweisen keine gleiche Bedeutung.
Vertiefung: Vergleichsmaße und Dimensionen
Kosinus vergleicht Richtungen; euklidische Distanz misst die direkte Entfernung, Manhattan-Distanz summiert die absoluten Koordinatenunterschiede. Bei beiden Distanzen bedeutet ein kleinerer Wert mehr Nähe. Die Zahlen sind nicht direkt mit Kosinuswerten vergleichbar; auch die Vektorlänge beeinflusst diese Distanzen.
Der Dimensionsregler verwendet nur die ersten Koordinaten der vorhandenen Vektoren. Er berechnet keine neuen Embeddings. Dadurch kann sich die Rangfolge verändern. Manche Modelle sind speziell darauf trainiert, auch mit gekürzten Vektoren brauchbare Ergebnisse zu liefern. Beliebiges Abschneiden ist keine allgemeine Methode zur Qualitätsverbesserung: Eine passende Dimensionszahl wird anhand des Modells und der konkreten Suchaufgaben gewählt.
Checkliste für eine Embedding-Suche
- Sammle typische Suchanfragen und halte fest, welche Textstellen sie beantworten sollten.
- Schneide Dokumente in zusammenhängende Abschnitte und bewahre Text, Quelle und Metadaten auf.
- Verwende ein kompatibles Modell und eine passende Konfiguration für Dokumente und Anfragen.
- Prüfe Treffer mit Synonymen, mehrdeutigen Begriffen, Widersprüchen und exakten Kennungen.