KI-Technik
Vektorsuche
Kurz gesagt: Die Vektorsuche findet Dokumente über die Ähnlichkeit ihrer Bedeutungsvektoren statt über Wortübereinstimmung und ist ein zentraler Abrufmechanismus hinter KI-Antworten.
Was bedeutet Vektorsuche?
Bei der Vektorsuche werden Dokumente und Anfrage in Vektoren übersetzt und die Dokumente zurückgegeben, deren Vektoren der Anfrage am nächsten liegen, meist gemessen über die Kosinus-Ähnlichkeit. Für die Fragebeantwortung setzte sich der Ansatz mit Dense Passage Retrieval (Karpukhin et al., 2020) durch. Weil ein exakter Vergleich mit Millionen Vektoren zu langsam ist, nutzen Systeme Näherungsverfahren wie HNSW-Graphen (Malkov und Yashunin, 2016). Semantische Suche ist der Oberbegriff, Vektorsuche eine Technik dafür.
Warum das für deine KI-Sichtbarkeit zählt
Die Stärke der Vektorsuche liegt bei Anfragen, die ein Problem beschreiben, statt einen Begriff zu nennen. Wer fragt, warum sein Unternehmen in KI-Antworten nicht auftaucht, verwendet vielleicht kein einziges Fachwort. Die Vektorsuche findet trotzdem Dokumente über Nennungsraten und Wettbewerbsanalyse, weil deren Embeddings nah an der Bedeutung der Frage liegen. Das ist der Grund, warum natürlich formulierte, vollständige Antworten auch ohne Keyword-Übereinstimmung gefunden werden.
Die Schwäche liegt bei exakten Bezeichnungen: Produktnamen, Normen, Artikelnummern, Aktenzeichen. Ähnlichkeit im Bedeutungsraum nützt wenig, wenn genau eine Zeichenfolge gesucht wird. „DIN EN 1090“ und „DIN EN 1991“ liegen semantisch nah beieinander, gemeint ist aber jeweils etwas völlig anderes. Deshalb kombinieren die meisten produktiven Systeme Vektorsuche mit klassischer Stichwortsuche zu einer hybriden Suche und sortieren die Kandidaten anschließend per Reranking neu.
Ein wenig bekanntes Detail ist das Wort „approximativ“. Verfahren wie HNSW finden die nächsten Nachbarn nicht garantiert, sondern mit hoher Wahrscheinlichkeit, um in Millisekunden zu antworten. In der Praxis ist das kaum spürbar, erklärt aber, warum Abrufergebnisse zwischen zwei Läufen oder zwei Indexständen leicht schwanken können. Für die Messung von KI-Sichtbarkeit ist das ein weiterer Grund, Ergebnisse über mehrere Läufe zu betrachten.
Für Inhalte folgen daraus zwei Regeln. Beschreibe Probleme und Lösungen in der Sprache deiner Kunden, damit die Bedeutung der Abschnitte zu ihren Fragen passt. Und schreibe exakte Bezeichnungen wörtlich aus, in gängigen Schreibvarianten und als Text statt nur in Bildern oder PDF-Datenblättern. So bedienst du beide Hälften einer hybriden Suche. Wie das Retrieval die Kandidaten anschließend an das Modell weitergibt, beschreibt RAG.
Praxisbeispiel
Ein Großhändler für Befestigungstechnik führt Tausende Artikel, deren Bezeichnungen nur in PDF-Datenblättern stehen. Eine Frage nach einer bestimmten Dübel-Zulassung findet über die Vektorsuche nur allgemeine Ratgeberseiten. Nachdem die Zulassungsnummern und Artikelbezeichnungen als Text auf den Produktseiten stehen, greift die Stichwortkomponente, und die passenden Produktseiten werden gefunden.
Die passende Leistung dazu: Technik für KI-Sichtbarkeit: Crawler, Schema, llms.txt →
Fragen, die dazu oft kommen
Kann ich für Vektorsuche optimieren?
Indirekt. Thematisch geschlossene Abschnitte, natürliche Formulierungen und die Begriffe, die deine Kunden verwenden, bringen deine Texte nah an deren Fragen. Direkte Eingriffe in die Vektoren eines fremden Systems sind nicht möglich.
Warum werden meine Produktnamen nicht gefunden?
Weil exakte Bezeichnungen vor allem über die Stichwortsuche laufen. Stehen sie nur in Bildern, PDFs oder per Skript nachgeladenen Tabellen, fehlt der Text dafür. Schreibe Namen, Nummern und Normen wörtlich in den HTML-Text der Seite.
Was ist der Unterschied zwischen Vektorsuche und semantischer Suche?
Semantische Suche ist das Ziel, nach Bedeutung statt nach Wortlaut zu suchen. Vektorsuche ist die gängigste Technik dafür. Semantische Suche kann zusätzlich Entitäten, Synonymlisten oder Wissensgraphen nutzen.
Warum heißt die Vektorsuche oft approximativ?
Weil Verfahren wie HNSW die nächsten Nachbarn nur mit hoher Wahrscheinlichkeit finden, nicht garantiert. So bleiben Abfragen auch bei Millionen Dokumenten schnell. Die Ergebnisse können deshalb zwischen Indexständen leicht abweichen.
Weiter im Glossar
Quellen: Karpukhin et al.: Dense Passage Retrieval for Open-Domain Question Answering (arXiv 2004.04906) (Stand September 2026) · Malkov, Yashunin: Efficient and robust approximate nearest neighbor search using HNSW graphs (arXiv 1603.09320) (Stand September 2026) · OpenAI API Docs: Vector embeddings (Stand September 2026)
Dieser Eintrag beschreibt den Stand zum Prüfdatum. Hinweise auf Fehler oder neue Entwicklungen nehmen wir gern per E-Mail entgegen. Zurück zum Glossar
Wirst du in KI-Antworten genannt?30 Minuten, kostenlos, mit ehrlicher Einschätzung.
Reden wir 30 Minuten darüber
Kostenlos, unverbindlich und mit einer ehrlichen Einschätzung, ob sich GEO bei dir gerade lohnt.