> For the complete documentation index, see [llms.txt](https://docs.fact-finder.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.fact-finder.com/docs/de/modules/vector-search.md). # Vektorsuche ## Überblick **Vektorsuche** verbessert das Sucherlebnis, indem Ergebnisse auf Grundlage von **Bedeutung**, nicht nur exakten Schlüsselwörtern. Es hilft Benutzern, relevante Inhalte zu entdecken, selbst wenn die herkömmliche Stichwortsuche versagt. Im Gegensatz zur Stichwortsuche, die auf exakten Wortübereinstimmungen basiert, stellt die Vektorsuche Text als **hochromdimensionale Vektoren** (auch bekannt als **Embeddings**) dar, die Kontext und Semantik erfassen. Dadurch kann das System Ergebnisse anzeigen, die mit der **Absicht** der Suchanfrage übereinstimmen, selbst wenn andere Wörter, Synonyme oder natürliche Formulierungen verwendet werden. ### **Wie funktioniert es?** * **Text wird in Vektoren umgewandelt**:\ Sowohl die Benutzeranfrage als auch die durchsuchbaren Inhalte werden in hochdimensionale numerische Darstellungen umgewandelt, die als **Vektoren** bezeichnet werden. Diese Vektoren erfassen die **Bedeutung** Bedeutung des Textes. * **Die Ähnlichkeit wird gemessen**:\ Das System vergleicht Vektoren und gibt mithilfe einer proprietären Ähnlichkeitsmetrik die der Suchanfrage am ähnlichsten sind, zurück. ### **Hinweis zu Datenschutz und Technologie** Unterstützt durch fortschrittliche **vektorbasierte Sprachverständnis** aber **nicht auf allgemein verfügbare KI setzt** oder **LLMs (große Sprachmodelle)**.\ Die gesamte Verarbeitung erfolgt **auf unseren Servern**; **Ihre Daten verlassen niemals unsere Infrastruktur**. ## **Wann Vektorsuche hilft** Vektorsuche ist besonders wertvoll, wenn: * Sie Ergebnisse möchten, die mit **Absicht**übereinstimmen, nicht nur mit exakten Schlüsselwörtern. * Suchanfragen sind formuliert in **natürlicher Sprache**, etwa vollständigen Sätzen oder Fragen. * Benutzer suchen oft mit **Synonymen, verwandten Begriffen oder unterschiedlicher Terminologie**. * Suchanfragen können enthalten **Tippfehler, Rechtschreibfehler oder andere Fehler**. * Suchanfragen können enthalten **gemischte Sprachen**. ### **Vor- und Nachteile** **Vorteile:** * Findet relevante Ergebnisse selbst bei vagen, unstrukturierten oder fehleranfälligen Suchanfragen. * Behandelt Synonyme und Umschreibungen automatisch. * Ideal für explorative oder dialogorientierte Sucherlebnisse. **Nachteile:** * Ergebnisse können weniger nachvollziehbar sein. * Genauigkeit und Relevanz können etwas Feintuning erfordern. Vektorsuche ist in zwei Modi verfügbar: * [Fallback-Vektorsuche](/docs/de/modules/vector-search/fallback-vector-search.md) – wird verwendet, wenn die Stichwortsuche keine Ergebnisse liefert. * [Hybride Suche](/docs/de/modules/vector-search/hybrid-search.md) – kombiniert Stichwort- und Vektorsuche für eine breitere Abdeckung. ### Produktdaten für die Vektorsuche vorbereiten Die Vektorsuche nutzt die in Ihren Produktdaten vorhandene Bedeutung und den Kontext. Die Ergebnisqualität hängt daher von vollständigen, genauen und relevanten Produktinformationen ab. Tuning kann fehlende, irreführende oder kontextarme Produktdaten nicht vollständig ausgleichen. Bevor Sie die Vektorsuche bewerten oder optimieren, prüfen Sie die für Ihren Katalog relevanten Daten. Achten Sie besonders auf genaue Produkttitel oder -namen, prägnante relevante Beschreibungen, Produktattribute sowie Suchattribute oder kontextbezogene und Anwendungsfall-Tags. Verwenden Sie die Felder, die zu Ihrem Katalog passen. Beachten Sie die dokumentierten Hinweise zu erforderlichen, empfohlenen und optionalen Feldern. #### Checkliste vor dem Tuning * Prüfen Sie, ob Titel Produkte korrekt identifizieren und voneinander unterscheiden. * Verbessern Sie beschreibende Texte, Attribute und Such- oder Kontext-Tags, wenn sie Produkteigenschaften, den vorgesehenen Verwendungszweck oder verwandte Begriffe ausdrücken. * Identifizieren Sie unvollständige, irreführende oder fehlende Informationen, die den semantischen Kontext verringern könnten. * Testen Sie repräsentative Kundenanfragen in natürlicher Sprache, bevor Sie Einstellungen ändern oder die Relevanz beurteilen. Das Anreichern der relevanten Daten verbessert den für die Relevanz verfügbaren semantischen Kontext. Prüfen Sie [Datenfeed](/docs/de/getting-started-guide/data-feed.md) die Anforderungen und [Wie Sie Ihren Datenfeed optimieren](/docs/de/import/ff-search-integration-how-to-optimize-your-datafeed.md) die Feldhinweise. ## Suggest Für alle Setups, in denen die Vektorsuche aktiviert und aktiv ist, ist die Vektorsuche auch in Suggest automatisch aktiv. Dadurch werden in Suggest ähnliche Ergebnisse wie in der Produktsuche sichergestellt. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.fact-finder.com/docs/de/modules/vector-search.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.