--- title: "Semantische Suche: Definition und Beispiel – Carl-Uwe Würfel" description: "Semantische Suche erklärt: wie Embeddings Treffer nach Bedeutung statt Wortlaut finden, wo Volltextsuche besser trifft und warum hybride Suche beides verbindet." url: https://carl-wuerfel.de/glossar/semantische-suche author: Carl-Uwe Würfel --- 1. [Start](https://carl-wuerfel.de/) 2. [Wissen](https://carl-wuerfel.de/wissen) 3. [Glossar](https://carl-wuerfel.de/glossar) 4. Semantische Suche # Semantische Suche Semantische Suche findet Inhalte nach ihrer Bedeutung statt nach gleichen Wörtern, meist indem sie Anfrage und Texte als Zahlenvektoren (Embeddings) vergleicht. ## Auf dieser Seite 1. So funktioniert semantische Suche im Kern 2. Von der Wortsuche zur Bedeutungssuche 3. Wo die Volltextsuche besser trifft 4. Hybride Suche verbindet beide Verfahren 5. Ähnlich heißt nicht richtig und nicht erlaubt 6. Woran man eine gute Umsetzung erkennt 7. Die Grenze des Begriffs 8. Häufige Fragen 9. Quellen Für gemischte Bestände aus Fließtext und festen Kennungen ist die hybride Suche meist die sicherere Wahl. _Abbildung: Vergleich am Beispiel eines Maschinenbauers, der für seinen Service eine Suche über Handbücher, Servicefälle und Ersatzteillisten einführt. Die Volltextsuche findet gleiche Wörter: Eine Beschreibung trifft sie nur, wenn dieselben Wörter im Text stehen, Teilenummern findet sie exakt. Die reine Vektorsuche findet Beschreibungen wie „Pumpe läuft heiß nach Filterwechsel“ zuverlässig, verwechselt aber ähnliche Teilenummern. Das Unternehmen stellt auf hybride Suche um, bei der beide Verfahren parallel laufen und ihre Trefferlisten zusammengeführt werden. Dazu filtert es nach den Rechten des jeweiligen Technikers und misst die Trefferqualität mit einer Liste typischer Anfragen aus dem Service._ **Beispiel** Ein Maschinenbauer führt für seinen Service eine Suche über Handbücher, Servicefälle und Ersatzteillisten ein. Die reine Vektorsuche findet Beschreibungen wie „Pumpe läuft heiß nach Filterwechsel“ zuverlässig, verwechselt aber ähnliche Teilenummern. Das Unternehmen stellt auf hybride Suche um, filtert nach den Rechten des jeweiligen Technikers und misst die Trefferqualität mit einer Liste typischer Anfragen aus dem Service. Eine klassische Volltextsuche findet Dokumente, in denen die Suchwörter vorkommen. Eine semantische Suche findet auch Texte, die dasselbe mit anderen Worten sagen. Wer nach „Urlaubsvertretung“ sucht, bekommt dann auch eine Passage zur Übergabe bei Abwesenheit. Technisch beruht das heute meist auf [Embeddings](https://carl-wuerfel.de/glossar/embeddings): Ein trainiertes Modell übersetzt Anfrage und Textabschnitte in Zahlenvektoren, und die Suche gibt die Abschnitte zurück, deren Vektoren der Anfrage am nächsten liegen. Der Begriff wird nicht einheitlich verwendet. Er steht auch für ältere Ansätze mit Ontologien und Wissensgraphen, in denen Beziehungen zwischen Begriffen von Hand festgelegt sind. Websuchmaschinen werten Bedeutung seit Jahren aus; Google gab im Oktober 2019 bekannt, dass das Sprachmodell BERT in den USA etwa jede zehnte englischsprachige Suchanfrage besser verstehen helfe. In Unternehmensanwendungen meint semantische Suche heute meist die Vektorsuche über Embeddings, in der Fachliteratur auch Dense Retrieval genannt. Für Unternehmen ist semantische Suche der Suchschritt vieler KI-Assistenten. In RAG-Systemen entscheidet sie, welche Textstellen ein Sprachmodell als Grundlage erhält. Findet die Suche die falsche Stelle, schreibt das Modell eine flüssige, aber falsche Antwort. Die Qualität eines Wissensassistenten hängt deshalb zu einem großen Teil an der Suche. ## So funktioniert semantische Suche im Kern. Die Arbeit beginnt vor der ersten Anfrage. Dokumente werden in Abschnitte zerlegt, meist einige Absätze lang, weil ein Embedding-Modell nur Texte bis zu einer Höchstlänge verarbeitet und kurze Abschnitte genauer treffen. Für jeden Abschnitt berechnet das Modell einen Vektor. Vektor, Text und ein Verweis auf das Ursprungsdokument landen in einem Index, oft in einer [Vektordatenbank](https://carl-wuerfel.de/glossar/vector-database). Bei einer Anfrage übersetzt dasselbe Modell die Frage in einen Vektor. Die Suche bestimmt die Abschnitte, deren Vektoren am nächsten liegen, gemessen meist mit der Kosinus-Ähnlichkeit. Bei großen Beständen arbeitet sie meist näherungsweise, damit die Antwort schnell kommt. Viele Systeme schalten danach eine zweite Stufe ein, das Reranking. Ein weiteres Modell liest Anfrage und Kandidaten gemeinsam und ordnet die besten Treffer neu. Das ist genauer, aber teurer, deshalb nur für die vorderen Kandidaten. Am Ende stehen ein Rechtefilter und die Anzeige mit Quelle. Wichtig für den Betrieb: Anfrage und Dokumente müssen mit demselben Modell berechnet sein. Wer das Embedding-Modell wechselt, muss den gesamten Bestand neu berechnen. ## Von der Wortsuche zur Bedeutungssuche. Die meisten Volltextsuchen ordnen Treffer bis heute mit BM25. Stephen Robertson und Hugo Zaragoza haben 2009 die Grundlagen dieses Verfahrens zusammengefasst, das auf Arbeiten aus den 1970er und 1980er Jahren zurückgeht. BM25 gewichtet, wie oft ein Suchwort in einem Dokument vorkommt, wie selten es im Gesamtbestand ist und wie lang das Dokument ist. Die Schwäche liegt auf der Hand: Steht das Wort nicht im Text, gibt es keinen Treffer, auch wenn der Text genau das Gesuchte beschreibt. Frühe semantische Ansätze lösten das mit Thesauren, Ontologien und Wissensgraphen. Sie sind präzise, müssen aber von Hand gepflegt werden. Der Durchbruch für die Vektorsuche kam mit Sprachmodellen auf Grundlage der Transformer-Architektur. 2019 stellten Nils Reimers und Iryna Gurevych Sentence-BERT vor: Die Suche nach dem ähnlichsten Satzpaar unter 10.000 Sätzen dauerte damit etwa fünf Sekunden statt rund 65 Stunden mit dem ursprünglichen BERT. 2020 zeigten Vladimir Karpukhin und Kollegen mit Dense Passage Retrieval, dass eine trainierte Vektorsuche auf den untersuchten Frage-Antwort-Datensätzen 9 bis 19 Prozentpunkte mehr passende Passagen unter den ersten 20 Treffern fand als ein starkes BM25-System. ## Wo die Volltextsuche besser trifft. Semantische Suche misst Ähnlichkeit, und genau das ist bei exakten Kennungen ein Nachteil. Artikelnummern, Vertragsnummern, Personennamen, Daten oder seltene Fachbegriffe unterscheiden sich in der Bedeutung kaum von ihren Nachbarn. Die Bestellnummer 40-1187 kann im Vektorraum nah bei 40-1178 liegen. Microsoft nennt in der Dokumentation zu Azure AI Search ausdrücklich Produktcodes, Fachjargon, Daten und Personennamen als Fälle, in denen die Stichwortsuche wegen exakter Treffer besser abschneidet. Dazu kommt die Übertragbarkeit. Die Vergleichsstudie BEIR von Nandan Thakur und Kollegen prüfte 2021 Suchverfahren auf 18 Datensätzen aus verschiedenen Fachgebieten, ohne die Modelle vorher darauf anzupassen. Ergebnis: BM25 erwies sich als robuste Basis, während Vektorsuchen außerhalb ihres Trainingsgebiets oft schwächer abschnitten. Genau das ist die Lage eines Unternehmens, das ein fertiges Modell auf die eigenen Dokumente ansetzt. Embedding-Modelle haben sich seitdem weiterentwickelt. Ob ein Modell mit dem eigenen Bestand, internen Abkürzungen und deutschen Fachbegriffen gut umgeht, zeigt trotzdem nur ein Test mit echten Anfragen. Wer ausschließlich auf Vektorsuche setzt, sollte diesen Test vor der Einführung machen, nicht danach. ## Hybride Suche verbindet beide Verfahren. Weil beide Verfahren unterschiedliche Stärken haben, kombinieren viele Systeme sie. Bei der hybriden Suche laufen eine Volltextsuche und eine Vektorsuche parallel, und ihre Trefferlisten werden zu einer zusammengeführt. So beschreibt es etwa Microsoft für Azure AI Search. Das Zusammenführen ist nicht trivial, weil die Punktwerte beider Verfahren nicht vergleichbar sind. Ein BM25-Wert und eine Kosinus-Ähnlichkeit messen verschiedene Dinge. Verbreitet ist deshalb Reciprocal Rank Fusion, 2009 von Gordon Cormack, Charles Clarke und Stefan Büttcher beschrieben. Das Verfahren betrachtet nur die Platzierung eines Dokuments in jeder Liste: Je weiter oben es in mehreren Listen steht, desto höher landet es im Gesamtergebnis. Die Autoren verwendeten eine Konstante von 60, die den Einfluss der vorderen Plätze dämpft. Danach kann ein Reranking folgen. Microsoft nennt seine Stufe dafür „semantic ranker“, was zeigt, wie unscharf der Begriff in der Praxis ist: Mal ist die Vektorsuche gemeint, mal die Neuordnung, mal das ganze System. Für gemischte Bestände aus Fließtext und festen Kennungen ist die hybride Suche meist die sicherere Wahl. ## Ähnlich heißt nicht richtig und nicht erlaubt. Semantische Suche findet Texte, die der Anfrage ähneln. Ob sie stimmen, aktuell sind oder der fragenden Person überhaupt zustehen, prüft sie nicht. Eine veraltete Preisliste kann genauso weit oben stehen wie die gültige, weil beide fast dasselbe sagen. Veraltete Fassungen gehören deshalb aus dem Index oder werden gekennzeichnet, bevor sie in die Suche gelangen. Bei Zugriffsrechten kommt hinzu, dass die Suche Inhalte aktiv anbietet, die in einer Ordnerstruktur kaum jemand gefunden hätte. Das OWASP-Projekt führt Schwächen von Vektoren und Embeddings in seiner Liste der Risiken für Anwendungen mit Sprachmodellen (Ausgabe 2025) als eigenen Punkt. Genannt werden unzureichende Zugriffskontrollen und Informationsabfluss zwischen Nutzergruppen, die sich eine Vektordatenbank teilen. Empfohlen werden feingranulare Zugriffskontrollen, ein Index, der Berechtigungen kennt, und eine strikte Trennung der Datenbestände. Praktisch heißt das: Der Rechtefilter greift bei der Suche selbst. Einen Treffer erst anzuzeigen und dann zu prüfen, ob er erlaubt war, ist zu spät, sobald ein Sprachmodell den Text schon verarbeitet hat. Embeddings aus personenbezogenen Texten sind so schutzbedürftig wie die Texte selbst. ## Woran man eine gute Umsetzung erkennt. Eine gute Umsetzung beginnt mit einer Testliste: echte Anfragen aus dem Alltag, zu denen bekannt ist, welche Abschnitte die richtige Antwort enthalten. Gemessen wird, ob diese Abschnitte unter den ersten Treffern stehen. Die Liste enthält beide Arten von Anfragen, umschriebene Fragen in Alltagssprache und exakte Kennungen wie Artikelnummern. Weitere Kennzeichen: Jeder Treffer zeigt seine Quelle, damit Nutzer prüfen können, woher eine Aussage stammt. Rechte gelten in der Suche. Neue und geänderte Dokumente gelangen auf einem festen Weg in den Index, gelöschte verschwinden mit ihren Vektoren. Zu jedem Vektor ist gespeichert, mit welchem Modell und welcher Version er berechnet wurde. Wo exakte Kennungen eine Rolle spielen, ist die Suche hybrid. Zu den Kosten: Embeddings werden beim Aufbau des Index, bei jeder Dokumentänderung und bei jeder Anfrage berechnet, Cloud-Dienste rechnen meist nach verarbeiteten [Token](https://carl-wuerfel.de/glossar/token) ab. Dazu kommen Speicher und Rechenleistung für den Index und, falls genutzt, ein Reranking-Aufruf je Anfrage. Oft liegt der größere Aufwand in der Pflege der Datenbasis: Die Suche findet nur, was aktuell und auffindbar an einem Ort liegt. ## Die Grenze des Begriffs Semantische Suche misst Ähnlichkeit, sie versteht Texte nicht wie ein Mensch und prüft weder Richtigkeit noch Aktualität. Abzugrenzen ist sie von der Volltextsuche, die gleiche Wörter findet, von der hybriden Suche, die beide Verfahren verbindet, von [RAG](https://carl-wuerfel.de/glossar/rag), das gefundene Stellen an ein Sprachmodell weitergibt, und von [Query Fan-out](https://carl-wuerfel.de/glossar/query-fan-out), das eine Frage in viele Teilsuchen zerlegt. Semantische Suchmaschinenoptimierung ist eine Marketingdisziplin, kein Suchverfahren. ## Häufige Fragen Was ist semantische Suche? Semantische Suche ist ein Suchverfahren, das Treffer nach der Bedeutung einer Anfrage ermittelt statt nach gleichen Wörtern. Sie findet passende Texte auch dann, wenn Anfrage und Dokument kein Wort gemeinsam haben. Technisch beruht sie heute meist auf Embeddings, also Zahlenvektoren, deren Abstand inhaltliche Nähe ausdrückt. Was ist der Unterschied zwischen semantischer Suche und Volltextsuche? Die Volltextsuche findet Dokumente, in denen die Suchwörter vorkommen, und ordnet sie meist mit BM25. Die semantische Suche vergleicht Bedeutungen und findet auch umschriebene Inhalte. Bei exakten Kennungen wie Artikelnummern oder Namen ist die Volltextsuche oft zuverlässiger. Was ist hybride Suche? Hybride Suche führt eine Volltextsuche und eine Vektorsuche parallel aus und verbindet beide Trefferlisten, häufig mit Reciprocal Rank Fusion. So werden umschriebene Fragen und exakte Kennungen gleichermaßen gefunden. Für gemischte Unternehmensbestände ist sie deshalb meist der vernünftige Ausgangspunkt. Wie hängen semantische Suche und RAG zusammen? In RAG-Systemen ist die semantische Suche meist der Abrufschritt. Sie findet die Textstellen, die ein Sprachmodell anschließend als Grundlage für seine Antwort erhält. Findet die Suche die falsche Stelle, wird auch die Antwort falsch. Braucht semantische Suche eine Vektordatenbank? Nicht zwingend. Bei kleinen Beständen lassen sich Vektoren auch direkt vergleichen, und viele vorhandene Datenbanken und Suchsysteme speichern Vektoren inzwischen selbst. Eine eigene Vektordatenbank lohnt sich vor allem bei großen Beständen und hohen Anforderungen an Geschwindigkeit. Ist semantische Suche dasselbe wie ein KI-Chatbot? Nein. Die semantische Suche liefert vorhandene Textstellen mit Quelle, ein Sprachmodell formuliert neuen Text. Viele KI-Assistenten verbinden beides in einer Oberfläche, deshalb werden die Begriffe oft verwechselt. Was bedeutet semantische Suche für SEO? Suchmaschinen werten Bedeutung aus, Google nach eigener Angabe seit 2019 auch mit dem Sprachmodell BERT. Eine Seite muss deshalb nicht jede Wortvariante einer Suchanfrage enthalten, um gefunden zu werden. Semantische Suchmaschinenoptimierung ist eine Marketingdisziplin und vom Suchverfahren selbst zu unterscheiden. Wie misst man die Qualität einer semantischen Suche? Mit einer Testliste echter Anfragen, zu denen die richtigen Textstellen bekannt sind. Gemessen wird, wie oft diese unter den ersten Treffern stehen. Die Messung wird nach jedem Wechsel von Modell, Zerlegung oder Gewichtung wiederholt. ## Weiter * [**KI-Glossar**](https://carl-wuerfel.de/glossar) * [**KI-Wissensmanagement**](https://carl-wuerfel.de/ki-wissensmanagement) * [**Embeddings**](https://carl-wuerfel.de/glossar/embeddings) * [**Vektordatenbank**](https://carl-wuerfel.de/glossar/vector-database) * [**RAG: Retrieval-Augmented Generation**](https://carl-wuerfel.de/glossar/rag) * [**Query Fan-out** Begriff](https://carl-wuerfel.de/glossar/query-fan-out) ## Quellen 1. [Robertson, Zaragoza: The Probabilistic Relevance Framework: BM25 and Beyond, Foundations and Trends in Information Retrieval, 2009 (englisch)](https://staff.city.ac.uk/~sbrp622/papers/foundations_bm25_review.pdf) 2. [Reimers, Gurevych: Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks, EMNLP 2019 (englisch)](https://arxiv.org/abs/1908.10084) 3. [Karpukhin u. a.: Dense Passage Retrieval for Open-Domain Question Answering, EMNLP 2020 (englisch)](https://arxiv.org/abs/2004.04906) 4. [Thakur, Reimers, Rücklé, Srivastava, Gurevych: BEIR: A Heterogenous Benchmark for Zero-shot Evaluation of Information Retrieval Models, 2021 (englisch)](https://arxiv.org/abs/2104.08663) 5. [Cormack, Clarke, Büttcher: Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods, SIGIR 2009 (englisch)](https://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf) 6. [Google: Understanding searches better than ever before, The Keyword, 25. Oktober 2019 (englisch)](https://blog.google/products/search/search-language-understanding-bert/) 7. [Microsoft: Hybrid search overview, Azure AI Search, Dokumentation, Stand November 2026 (englisch)](https://learn.microsoft.com/en-us/azure/search/hybrid-search-overview) 8. [OWASP: LLM08:2025 Vector and Embedding Weaknesses, 2025 (englisch)](https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/)