Vektorsuche und semantische Suche mit Typesense: Praxisleitfaden

Was ist Typesense Vektorsuche?

Seit Version 0.25 unterstützt Typesense neben klassischer Volltextsuche auch Vektorsuche und Hybrid Search. Dadurch lassen sich Inhalte nicht nur anhand exakter Suchbegriffe finden, sondern auch anhand ihrer semantischen Bedeutung.

Während klassische Suchmaschinen Wörter vergleichen, arbeitet die Vektorsuche mit sogenannten Embeddings. Texte, Bilder oder andere Inhalte werden dabei in numerische Vektoren umgewandelt, die ihre Bedeutung beschreiben. Ähnliche Inhalte liegen im Vektorraum nahe beieinander, auch wenn sie unterschiedliche Begriffe verwenden.

Eine Suche nach „günstige Laufschuhe für Anfänger“ findet dadurch auch Produkte, die lediglich als „preiswerte Einsteiger-Sportschuhe“ beschrieben sind.

Warum wird semantische Suche immer wichtiger?

Moderne Nutzer suchen zunehmend in natürlicher Sprache. Gleichzeitig wachsen Produktkataloge, Wissensdatenbanken und Dokumentensammlungen stetig.

Klassische Volltextsuche stößt dabei häufig an Grenzen:

• Synonyme werden nicht erkannt
• unterschiedliche Formulierungen liefern keine Treffer
• mehrsprachige Inhalte bleiben unverbunden
• Fragen und Antworten nutzen selten dieselben Begriffe

Semantische Suche löst diese Probleme durch die Analyse der inhaltlichen Bedeutung.

 

Typische Einsatzgebiete

Wissensdatenbanken und Self-Service-Portale

Fragen wie:

• „Wie kündige ich meinen Vertrag?“
• „Wie beende ich meine Mitgliedschaft?“

führen trotz unterschiedlicher Formulierungen zum gleichen Ergebnis.

 

Produktsuche im E-Commerce

Kunden finden ähnliche Produkte, auch wenn sie nicht den exakten Produktnamen kennen.

 

Multilinguale Suche

Deutsche Suchbegriffe können englische oder französische Inhalte finden, sofern ein mehrsprachiges Embedding-Modell verwendet wird.

 

Retrieval Augmented Generation (RAG)

LLM-Anwendungen nutzen Vektorsuche, um relevante Inhalte vor der Generierung einer Antwort abzurufen.

 

Wie funktioniert Vektorsuche technisch?

Klassische Suchmaschinen arbeiten mit invertierten Indizes und Ranking-Verfahren wie BM25.

Vektorsuche folgt einem anderen Ansatz:

1. Inhalte werden in Embeddings umgewandelt
2. Embeddings werden als Vektoren gespeichert
3. Suchanfragen werden ebenfalls in Vektoren umgewandelt
4. Ähnliche Vektoren werden über Distanzmetriken gefunden

Typesense verwendet dafür den HNSW-Algorithmus (Hierarchical Navigable Small World), der eine sehr schnelle Approximate-Nearest-Neighbor-Suche ermöglicht.

 

Distanzmetriken

Typesense unterstützt verschiedene Ähnlichkeitsmetriken:

 

Cosine Similarity

Standard für Text-Embeddings.

Vergleicht den Winkel zwischen zwei Vektoren.

 

Dot Product

Berücksichtigt zusätzlich die Länge der Vektoren.

 

Euclidean Distance

Misst den geometrischen Abstand im Vektorraum.

Für die meisten Textanwendungen ist Cosine Similarity die beste Wahl.

 

Welche Embedding-Modelle unterstützt Typesense?

Typesense unterstützt sowohl integrierte als auch externe Modelle.

 

Integrierte Modelle

Externe Modelle

OpenAI

• text-embedding-3-small (1536)
• text-embedding-3-large (3072)

Cohere

• embed-multilingual-v3

Google

• text-embedding-004

 

Praxistipp

Für deutschsprachige B2B-Kataloge liefert multilingual-e5 häufig bessere Ergebnisse als größere englischsprachige Modelle.

Die Qualität der Trainingsdaten ist oft wichtiger als die Anzahl der Dimensionen.

 

Schritt 1: Collection für Vektorsuche anlegen

Eine Collection benötigt ein Vektorfeld vom Typ float[].

{
"name": "produkte",
"fields": [
{
"name": "titel",
"type": "string"
},
{
"name": "beschreibung",
"type": "string"
},
{
"name": "embedding",
"type": "float[]",
"embed": {
"from": ["titel","beschreibung"],
"model_config": {
"model_name": "ts/multilingual-e5-small"
}
}
}
]
}

Bei aktiviertem Auto-Embedding erzeugt Typesense die Embeddings automatisch.

 

Schritt 2: Dokumente indexieren

Mit Auto-Embedding genügt ein normales Dokumenten-Importverfahren.

await client.collections('produkte')
.documents()
.import([
{
id: "1",
titel: "Laufschuh Modell A",
beschreibung: "Leichter Schuh für Einsteiger"
}
]);

Typesense erstellt den Embedding-Vektor automatisch während des Imports.

 

Schritt 3: Semantische Suche ausführen

Die eigentliche Suche erfolgt über den Parameter vector_query.

const results =
await client.collections('produkte')
.documents()
.search({
q: 'schuhe für anfänger',
query_by: 'embedding',
vector_query: 'embedding:([], k:20)'
});

Typesense erzeugt den Query-Vektor automatisch und liefert die ähnlichsten Dokumente zurück.

 

Warum Hybrid Search meistens besser ist

Reine Vektorsuche hat Schwächen bei:

• Produktnummern
• SKUs
• Markennamen
• Eigennamen

Deshalb empfiehlt sich in den meisten Fällen Hybrid Search.

Dabei kombiniert Typesense:

• BM25-Volltextsuche
• Vektorsuche
• Filter
• Facetten

 

Beispiel

const results =
await client.collections('produkte')
.documents()
.search({
q: 'wasserdichte wanderschuhe',
query_by: 'titel,beschreibung,embedding',
vector_query: 'embedding:([], alpha:0.3)'
});

Ein Alpha-Wert zwischen 0,2 und 0,5 liefert in vielen Projekten die besten Ergebnisse.

 

Typesense als Retrieval-Layer für RAG

Bei Retrieval Augmented Generation übernimmt Typesense die Rolle des Retrieval-Systems.

Der Ablauf:

1. Nutzer stellt eine Frage
2. Frage wird embedded
3. Typesense findet relevante Dokumente
4. Die Dokumente werden dem LLM übergeben
5. Das LLM generiert die Antwort

 

Warum RAG?

Ohne Kontext halluzinieren Sprachmodelle.

Mit RAG erhalten sie aktuelle und unternehmensspezifische Informationen.

 

Entscheidend: Die richtige Chunk-Größe

Unsere Erfahrungen zeigen:

• 300 bis 500 Tokens pro Chunk
• 50 Tokens Überlappung

liefern meist bessere Ergebnisse als größere Dokumentblöcke.

 

Speicherbedarf und Performance

Vektorsuche benötigt deutlich mehr RAM als klassische Volltextsuche.

 

Faustregel

4 Byte pro Dimension und Dokument

Beispiel:

• 1 Million Dokumente
• 768 Dimensionen

ergibt etwa:

3 bis 4 GB RAM

nur für den Vektorindex.

 

Suchgeschwindigkeit

HNSW ermöglicht Suchzeiten im niedrigen Millisekundenbereich.

Bei lokalen Embeddings liegen Suchanfragen typischerweise unter 20 Millisekunden.

Externe Embedding-APIs erhöhen die Latenz häufig um 50 bis 300 Millisekunden.

 

Typische Fehler bei der Einführung

Modellwechsel

Ein Wechsel des Embedding-Modells erfordert eine vollständige Neuindexierung.

Dimension Mismatch

Die Anzahl der Dimensionen im Schema muss exakt zum Modell passen.

Falsches Sprachmodell

Englisch trainierte Modelle liefern oft schlechte Ergebnisse für deutsche Inhalte.

Zu große Dokumente

Lange Texte sollten vor dem Embedding sinnvoll gechunkt werden.

Reine Vektorsuche

Für Produktkataloge ist Hybrid Search fast immer überlegen.

 

Fazit

Typesense Vektorsuche macht semantische Suche, RAG-Anwendungen und moderne Produktsuche ohne zusätzliche Vector-Datenbank möglich. Die Kombination aus Volltextsuche, Facetten, Filtern und HNSW-basierter Vektorsuche in einer einzigen Plattform reduziert Komplexität und Infrastrukturkosten erheblich.

Für die meisten produktiven Anwendungen empfehlen wir Hybrid Search statt reiner Vektorsuche. Sie verbindet die Präzision klassischer Suchverfahren mit den Vorteilen semantischer Suche und liefert dadurch die robustesten Ergebnisse.