Vektorsuche und Embeddings: Einfach erklärt für Entscheider und Interessierte

Was ist eigentlich Vektorsuche - und warum sprechen plötzlich alle darüber? Diese Frage hören wir bei coding9.de immer öfter. Vektorsuche steckt inzwischen hinter vielen Suchfeldern und Empfehlungen, die mehr treffen als eine reine Stichwortsuche. Sie arbeitet mit sogenannten Embeddings zusammen. Statt Treffer über Wortgleichheit zu zählen, kann eine Maschine damit verstehen, was jemand sucht.

In diesem Artikel erkläre ich, wie Vektorsuche und Embeddings funktionieren - ohne komplizierte Formeln - und zeige anhand der semantischen Produktsuche im Onlineshop und von basegpt (ein Produkt von coding9.de), wie das heute schon im Einsatz ist.

Vom Wort zum Sinn: Was ist Vektorsuche?

Bei einer klassischen Suche wird nach Wörtern gesucht, die genau im Text vorkommen. Tippt jemand z.B. 'laufende Schuhe' in den Shop, dann findet das System nur Produkte, die genau 'laufende' und 'Schuhe' enthalten.

Das Problem:

• Synonyme wie 'Sportschuhe' oder 'Sneaker' werden übersehen.

• Rechtschreibfehler wie 'laufene Schue' liefern oft keine Treffer.

• Die Bedeutung hinter der Anfrage ('bequem für Jogging im Wald') bleibt unberücksichtigt.

Hier kommt die Vektorsuche (englisch vector search) ins Spiel: Statt nur Zeichenketten zu vergleichen, wandelt sie Text, Bilder oder andere Daten in Zahlenlisten (Vektoren) um, die die Bedeutung enthalten. Dann sucht das System nicht nach dem gleichen Wort, sondern nach ähnlichen Bedeutungen im 'Vektor-Raum'.

Das ändert die Trefferliste an drei Stellen:

Auf eine Anfrage kommen mehr passende Produkte zurück.

Tippfehler in der Anfrage führen weiterhin zu Ergebnissen.

Synonyme wie Sneaker und Sportschuhe landen in derselben Ergebnisliste.

Und was sind Embeddings?

Der Schlüssel dazu sind die sogenannten Embeddings. Ein Embedding ist eine Repräsentation aus meist mehreren Hundert Zahlen. Sie bringt einen Satz wie 'leichte Laufschuhe für Damen' in eine Form, mit der ein Computer rechnen kann. Solche numerischen Darstellungen entstehen im Training: Ein neuronales Netzwerk sieht dabei riesige Textmengen und lernt, welche Wörter in ähnlichen Zusammenhängen auftauchen. Texte mit ähnlicher Bedeutung bekommen deshalb ähnliche Vektoren und liegen im Vektor-Raum nah beieinander.

Das lässt sich als große Landkarte darstellen: Jedes Dokument, Produkt oder Bild hat einen Punkt auf dieser Karte. Sucht jemand nach etwas, wird sein Suchbegriff ebenfalls auf dieser Karte platziert, und das System schaut: Welche Punkte liegen am nächsten?

Wo kommen die Embeddings her?

Man braucht ein Modell, das diese Vektoren erstellt. Solche Modelle kommen aus dem maschinellen Lernen: vortrainierte Sprachmodelle (englisch language models), die auf großen Textmengen trainiert wurden. Welches Modell Sie verwenden, entscheidet über Trefferqualität, Kosten und die Länge der Vektoren. Bis jetzt greifen viele Unternehmen auf den Service von OpenAI zurück. Hier bietet coding9.de mit basegpt eine Alternative dazu:

• basegpt.eu funktioniert mit der gleichen Schnittstelle wie OpenAI.

• Der Unterschied: Es ist möglich, unterschiedliche KI-Modelle auszuprobieren oder selbst zu hosten.

• Sie können somit flexibel entscheiden, welche Leistung, Kosten und Datenschutzlevel für Ihr Projekt ideal sind.

• Wenn Sie basegpt nutzen möchten, können Sie uns direkt über coding9.de/kontakt ansprechen.

Mit basegpt erzeugen Sie also die Vektoren, und diese speichern Sie dann in einer Datenbank.

Update 2026: Die Modellauswahl hat sich seit der Erstveröffentlichung dieses Artikels verbreitert. Neben der text-embedding-Reihe von OpenAI gibt es inzwischen offene, mehrsprachige Embedding-Modelle, die sich auf eigener Hardware betreiben lassen - für deutschsprachige Projekte mit Datenschutz-Anforderungen oft der praktikablere Weg. Interessant sind außerdem Matryoshka-Embeddings: Modelle, deren Vektoren sich auf kürzere Längen kürzen lassen, ohne die Trefferqualität im gleichen Maß einzubüßen. Der Index wird dadurch kleiner und die Suche günstiger. Welches Modell passt, hängt weiterhin von Sprache, Datenmenge und Budget ab - vergleichen Sie Kandidaten deshalb mit Ihren eigenen Daten statt nur mit veröffentlichten Benchmark-Tabellen.

Wie speichert und sucht man diese Daten?

Auch hier gibt es mittlerweile mehrere Möglichkeiten. Besonders beliebt: die Kombination aus PostgreSQL + pgvector.

Warum?

• Sie brauchen keine neue Software - PostgreSQL können viele Firmen ohnehin schon.

• Mit der Erweiterung pgvector speichern Sie die Vektoren direkt in Ihrer Datenbank.

• Abfragen funktionieren weiterhin in SQL und lassen sich wunderbar mit Ihren anderen Daten kombinieren.

• Sie können Millionen von Datensätzen effizient durchsuchen.

Beispiel: Ein Online-Shop könnte alle Produktbeschreibungen in Vektoren umrechnen und in PostgreSQL speichern. Wenn ein Kunde sucht, wird seine Anfrage ebenfalls in einen Vektor umgewandelt. Mit pgvector findet das System dann in Sekundenschnelle die ähnlichsten Elemente aus dem Katalog, also die relevantesten Ergebnisse.

Alternativen: Wann lohnt sich etwas anderes?

Neben pgvector gibt es auch spezialisierte Vektor-Datenbanken wie z.B.:

Für viele Unternehmen reicht pgvector völlig aus. Wenn Sie jedoch Milliarden von Vektoren speichern und durchsuchen möchten, lohnt sich eine spezialisierte Lösung.

Praxisbeispiele: Produktsuche im Shop & basegpt.eu

Semantische Produktsuche im Onlineshop

Am greifbarsten wird Vektorsuche im Shop: Statt einer Stichwortsuche bekommt der Kunde einen Assistenten, dem er frei formulieren kann, was er sucht. Zum Beispiel:

Ich suche ein Sommerkleid in Blau, das elegant aussieht, aber bequem ist.

Die Software versteht den Wunsch und sucht im Produktkatalog nach den besten Treffern, auch wenn die Begriffe 'elegant' oder 'Sommerkleid' nicht wörtlich vorkommen. Über den Vergleich der Vektoren werden die passenden Produkte trotzdem gefunden.

Genau solche semantischen Produktsuchen integrieren wir übrigens direkt in Onlineshops - als Shopware-Agentur mit eigenem Schwerpunkt auf Elasticsearch- und KI-Suche für E-Commerce.

basegpt.eu

Wenn Sie eine eigene Lösung bauen möchten, bietet Ihnen basegpt.eu eine flexible und datenschutzfreundliche Alternative zu OpenAI. Sie können damit:

• Embeddings erstellen

• Mit unterschiedlichen Modellen experimentieren

• Und das Ganze über eine vertraute Schnittstelle

Wenn Sie Interesse haben, melden Sie sich bei uns unter coding9.de/kontakt - wir beraten Sie gern.

Was Vektorsuche Ihnen bringt

Ihre Suchergebnisse passen besser zur Anfrage, Ihre Kunden finden schneller, was sie suchen, und weniger Suchanfragen enden ohne Treffer und damit ohne Bestellung. Vektorsuche unterstützt dabei auch Anfragen, die kein einziges Wort mit dem Produkttext gemeinsam haben.

Ob im Shop, in einer Wissensdatenbank oder für Empfehlungen: Vektorsuche ordnet Ihre Daten nach Bedeutung statt nach Zeichenketten. Mit pgvector oder basegpt.eu bleibt der Aufwand für einen ersten Prototyp überschaubar.

Vektorsuche und RAG: Wie generative KI auf Ihre Daten zugreift

Ein Sprachmodell kennt Ihre Produktdaten, Verträge oder Handbücher nicht. Retrieval Augmented Generation (RAG) schließt diese Lücke in zwei Schritten. Zuerst sucht die Vektorsuche zur Frage des Nutzers die passenden Textstellen aus Ihrem eigenen Bestand heraus. Danach bekommt das Modell diese Stellen als Kontext mitgeliefert und formuliert daraus die Antwort.

Das hat zwei praktische Folgen. Die generative KI antwortet auf dem Stand Ihrer Daten, weil relevante Informationen erst zur Laufzeit nachgeladen werden. Und jede Antwort lässt sich belegen, weil zu jeder verwendeten Textstelle die Quelle bekannt ist.

RAG ist damit vor allem ein Suchproblem. Findet der erste Schritt die falschen Stellen, hilft auch das beste Modell nicht weiter. Der Aufwand für die Aufbereitung der Texte und für die Messung der Trefferqualität zahlt sich deshalb stärker aus als die Suche nach dem perfekten Sprachmodell.

Technische Implementierung: Ein praktischer Leitfaden

Für Entwickler und technische Entscheider folgt hier, wie eine Vektorsuche konkret gebaut wird - in vier Schritten:

Schritt 1: Daten vorbereiten

Zunächst müssen Ihre Daten in ein Format gebracht werden, das für die Embedding-Generierung geeignet ist. Bei Produktdaten könnte das so aussehen:

• Produktname und Beschreibung zusammenführen

• Relevante Attribute (Farbe, Material, Größe) hinzufügen

• Kategorien und Tags einbeziehen

• Kundenbewertungen für besseren Kontext nutzen

Schritt 2: Embeddings generieren

Mit einem Service wie basegpt.eu oder OpenAI können Sie Ihre Texte in Vektoren umwandeln. Ein typischer Workflow:

# Beispiel mit Python
import requests

# Text für Embedding vorbereiten
product_text = "Rote Laufschuhe für Damen, Größe 38, atmungsaktiv"

# Embedding via API generieren
response = requests.post(
    'https://yourspecificdomain/embeddings',
    json={'text': product_text, 'model': 'text-embedding-ada-002'}
)

embedding_vector = response.json()['embedding']

Schritt 3: Vektoren speichern

Mit pgvector in PostgreSQL sieht das Speichern so aus:

-- Tabelle mit Vektor-Spalte erstellen
CREATE TABLE products (
    id SERIAL PRIMARY KEY,
    name TEXT,
    description TEXT,
    embedding vector(1536)  -- Dimension abhängig vom Modell
);

-- Index für schnelle Suche
CREATE INDEX ON products 
USING ivfflat (embedding vector_cosine_ops)
WITH (lists = 100);

Schritt 4: Ähnlichkeitssuche implementieren

Wenn ein Nutzer sucht, wird seine Anfrage ebenfalls in einen Vektor umgewandelt und mit der Datenbank verglichen:

-- Suche nach ähnlichen Produkten
SELECT 
    name, 
    description,
    1 - (embedding <=> $1) AS similarity
FROM products
ORDER BY embedding <=> $1
LIMIT 10;

Häufige Herausforderungen und Lösungen

Performance bei großen Datenmengen

Problem: Bei Millionen von Vektoren kann die Suche langsam werden.

Lösung: Verwenden Sie Verfahren aus der Approximate-Nearest-Neighbor-Suche (ANN) wie IVFFlat oder HNSW. Sie durchsuchen nur einen Teil des Vektor-Raums und finden ähnliche Elemente dadurch um ein Vielfaches schneller, zum Preis einer geringen Ungenauigkeit.

Kosten der Embedding-Generierung

Problem: API-Calls für Embeddings können bei großen Datenmengen teuer werden.

Lösung: Cachen Sie einmal berechnete Vektoren, nutzen Sie Batch-Processing und evaluieren Sie Self-Hosting-Optionen wie basegpt.eu für bessere Kostenkontrolle.

Qualität der Suchergebnisse

Problem: Manchmal sind die Ergebnisse nicht so relevant wie erwartet.

Lösung: Experimentieren Sie mit verschiedenen Embedding-Modellen, Fine-Tuning und Hybrid-Ansätzen (Kombination aus Vektor- und Keyword-Suche).

Woran gerade gearbeitet wird

Die Vektorsuche entwickelt sich schnell weiter. Drei Entwicklungen zeichnen sich ab:

Multimodale Embeddings

Kommende Modelle bilden Text, Bilder und Audio in einem gemeinsamen Vektor-Raum ab. Ein Kunde fotografiert dann ein Kleidungsstück und findet Produkte, die optisch passen und im Stil sowie in der Beschreibung ähnlich sind.

Personalisierte Embeddings

Vektoren, die sich an individuelle Nutzer anpassen. Das System lernt, was 'sportlich' oder 'elegant' für verschiedene Kunden bedeutet, und liefert personalisierte Ergebnisse.

Edge Computing für Embeddings

Kleinere Modelle erlauben es, die Berechnung direkt auf dem Gerät des Nutzers auszuführen. Die Anfrage verlässt dabei nie das Gerät, und der Weg zum Server entfällt.

Use Cases jenseits von E-Commerce

Vektorsuche verändert die Suche über Online-Shops hinaus. Vier weitere Anwendungsfälle:

Wissensmanagement in Unternehmen

Mitarbeiter finden relevante Dokumente, auch wenn sie nicht die exakten Begriffe kennen. 'Vertrag mit dem großen Kunden aus München letztes Jahr' findet das richtige Dokument, auch wenn der Firmenname nicht erwähnt wird.

Kundenservice und Support

Support-Tickets werden automatisch ähnlichen, bereits gelösten Fällen zugeordnet. Das beschleunigt die Lösung und verbessert die Konsistenz.

Content-Empfehlungen

News-Portale und Streaming-Dienste nutzen Vektorsuche, um Inhalte zu empfehlen, die thematisch ähnlich sind - auch wenn sie unterschiedliche Keywords verwenden.

Recruiting und HR

Lebensläufe und Stellenausschreibungen werden semantisch gematcht. Das System versteht, dass 'Python-Entwickler' und 'Backend-Engineer mit Django-Erfahrung' ähnliche Profile sein können.

Praktische Tipps für den Einstieg

Für den Einsatz im eigenen Unternehmen hat sich diese Reihenfolge bewährt:

1. Definieren Sie Ihren Use Case: Was genau wollen Sie verbessern? Produktsuche, Dokumentensuche, oder etwas anderes?

2. Evaluieren Sie Ihre Daten: Haben Sie genug qualitativ hochwertige Textdaten? Sind diese strukturiert?

3. Starten Sie mit einem Proof of Concept: Testen Sie mit einer kleinen Datenmenge, ob die Technologie Ihre Erwartungen erfüllt.

4. Wählen Sie die richtige Infrastruktur: Cloud-Service oder Self-Hosting? PostgreSQL oder spezialisierte Vektor-DB?

5. Planen Sie für Skalierung: Denken Sie von Anfang an darüber nach, wie das System mit wachsenden Datenmengen umgehen soll.

Nächste Schritte:

• Prüfen Sie: Welche Daten in Ihrem Unternehmen könnten von semantischer Suche profitieren?

• Nehmen Sie Kontakt mit uns auf, wir helfen Ihnen bei der Umsetzung: coding9.de/kontakt