Dokumente & Daten
Semantische Suche
Suche nach Bedeutung, nicht nach Buchstaben
Klassische Volltextsuche findet Wörter – semantische Suche findet Bedeutung. Wer nach „Besucherzahlen im Sommer“ fragt, findet auch das Dokument, das von „Kinobesuchen in der Ferienzeit“ spricht. Dafür werden Dokumente in Abschnitte zerlegt und als Embeddings gespeichert – mathematische Repräsentationen ihrer Bedeutung, die sich nach Ähnlichkeit durchsuchen lassen.
Unser Ansatz ist bewusst hybrid: Wir kombinieren die Bedeutungssuche mit klassischem Volltext-Ranking, denn beide haben Stärken – exakte Begriffe, Namen und Kennzahlen findet der Volltext, Umschreibungen und verwandte Konzepte das Embedding. Das Ergebnis wird zu einer Trefferliste verschmolzen, die beides kann.
Und wir sind pragmatisch bei der Infrastruktur: Eine Vektor-Datenbank ist erst dann nötig, wenn die Datenmenge sie rechtfertigt. Für die meisten Unternehmens-Korpora – tausende Dokumente, nicht Milliarden – läuft die Ähnlichkeitssuche performant in der Datenbank, die eure Anwendung ohnehin betreibt. Weniger Systeme, weniger Betriebskosten, und der Umstieg auf spezialisierte Vektor-Speicher bleibt jederzeit offen – über Symfony AI ist die Speicherschicht austauschbar.
Die semantische Suche ist dabei selten Selbstzweck: Sie ist das Fundament für Chat-Assistenten, die Fragen aus euren Dokumenten beantworten (Retrieval-Augmented Generation), und steht als Werkzeug auch KI-Clients per MCP zur Verfügung. So wird derselbe Suchindex vom Menschen im Portal und vom KI-Assistenten im Hintergrund genutzt.
Was semantische Suche für euer Projekt bedeutet
Treffer, die gemeint waren
Nutzer formulieren Fragen in ihren Worten, nicht in euren Dokument-Begriffen. Die Bedeutungssuche schließt diese Lücke – und der hybride Volltext-Anteil hält Namen und Kennzahlen exakt.
Boring Infrastructure
Kein zusätzliches Suchsystem, kein neues Betriebsrisiko: Für typische Unternehmens-Korpora reicht die vorhandene Datenbank – wir rüsten erst auf, wenn eure Datenmenge es verlangt.
Ein Index, viele Nutzer
Dieselbe Suche bedient das Portal, den Chat-Assistenten und externe KI-Clients per MCP. Einmal indexiert, überall verfügbar – mit denselben Berechtigungen.
Highlights
- Findet Bedeutung statt Buchstaben – Umschreibungen inklusive
- Hybrid: Embedding-Ähnlichkeit kombiniert mit Volltext-Ranking
- Läuft auf eurer bestehenden Datenbank – Vektor-DB erst bei Bedarf
- Fundament für RAG-Assistenten und MCP-Anbindungen
- Austauschbare Speicherschicht über Symfony AI
Aus dem AI Spotlight
