Hybrid Search ist ein Retrieval-Ansatz, bei dem lexikalische Volltextsuche und vektorbasierte semantische Suche parallel oder gemeinsam eingesetzt werden. Die Ergebnisse werden anschließend durch ein Fusions- oder Rankingverfahren zu einer einheitlichen Trefferliste kombiniert.
Was ist Hybrid Search?
Ein Nutzer sucht nach „Pumpe XZ-410 Fehler 17“. Für eine Vektorsuche ist die semantische Bedeutung wichtig; für den Produktcode und Fehlercode ist dagegen ein exakter Treffer besonders wertvoll. Hybrid Search kombiniert beide Perspektiven.
Der Ansatz verbindet klassische Volltext- oder Keyword-Suche mit Vektorsuche. Beide Verfahren erzeugen Trefferlisten, die anschließend zu einem gemeinsamen Ranking zusammengeführt werden.
Warum Keyword-Suche weiterhin wichtig ist
Lexikalische Suchverfahren wie BM25 sind sehr gut darin, konkrete Begriffe zu finden. Produktnummern, Namen, Fachkürzel oder seltene technische Bezeichnungen profitieren davon, dass Zeichenfolgen tatsächlich im Dokument vorkommen.
Die Schwäche: Zwei Texte können dasselbe meinen, ohne dieselben Wörter zu verwenden.
Was Vektorsuche ergänzt
Vektorsuche bildet Texte als Embeddings ab und sucht nach mathematischer Ähnlichkeit. Dadurch können auch Dokumente gefunden werden, die inhaltlich passen, obwohl die Formulierung abweicht.
Die Anfrage „Wie storniere ich einen Auftrag?“ kann ein Dokument mit der Formulierung „Bestellung rückgängig machen“ semantisch finden, obwohl das Wort „stornieren“ dort nicht vorkommt.
Wie beide Ergebnislisten zusammengeführt werden
Ein verbreitetes Verfahren ist Reciprocal Rank Fusion (RRF). Dabei werden nicht die Rohscores verschiedener Suchsysteme direkt verglichen. Stattdessen fließt ein, auf welchen Rangpositionen ein Dokument in den jeweiligen Listen erscheint.
Microsoft Azure AI Search dokumentiert beispielsweise Hybrid Search als parallele Ausführung von Volltext- und Vektorsuche mit anschließender RRF-Fusion.
Hybrid Search in RAG-Systemen
Bei Retrieval-Augmented Generation entscheidet Retrieval darüber, welche Textabschnitte das Sprachmodell überhaupt als Kontext erhält. Wird hier nur semantisch gesucht, können exakte Schlüsselbegriffe verloren gehen. Wird nur lexikalisch gesucht, fehlen eventuell sinnverwandte Inhalte.
Eine interne Wissenssuche kann BM25 für Artikelnummern und Eigennamen nutzen, während Vektorsuche ähnliche Problembeschreibungen erfasst. Ein nachgeschalteter Re-Ranker kann die fusionierten Treffer anschließend nochmals bewerten.
Hybrid bedeutet nicht automatisch besser
Mehr Suchverfahren erzeugen mehr Parameter. Gewichtung, Anzahl der Kandidaten und Indexqualität beeinflussen das Ergebnis. Bei sehr kleinen, klar strukturierten Datensätzen kann eine einfache Volltextsuche völlig ausreichen.
Die Qualität sollte deshalb mit realen Suchanfragen und relevanzbewerteten Testfällen gemessen werden – nicht nur anhand einzelner Demo-Fragen.
Typische Einsatzfelder
- RAG und interne Wissenssysteme,
- technische Dokumentation,
- Produktsuche mit Artikelnummern und Beschreibungen,
- Support- und Help-Center-Suche,
- Recherche in heterogenen Dokumentbeständen.
Gewichtung und Evaluation
Keyword- und Vektorsuche liefern unterschiedliche Scores, die sich nicht ohne Weiteres vergleichen lassen. Fusionsverfahren wie RRF umgehen einen Teil dieses Problems, weil sie Rangpositionen statt Rohscores kombinieren. Andere Systeme erlauben zusätzliche Gewichte für einzelne Retrieval-Zweige.
Welche Konfiguration funktioniert, hängt stark vom Bestand ab. Eine technische Wissensbasis mit Produktcodes braucht möglicherweise mehr lexikalisches Gewicht als ein Archiv mit frei formulierten Beratungsdokumenten. Für die Bewertung sollten deshalb echte Nutzerfragen mit erwarteten relevanten Dokumenten gesammelt werden.
Metadaten nicht vergessen
Semantische Ähnlichkeit allein kennt keine Zugriffsrechte, Gültigkeitszeiträume oder Produktversionen. Filter auf Metadaten können verhindern, dass ein fachlich ähnlicher, aber veralteter oder nicht freigegebener Treffer in den Kontext gelangt.
Fazit
Hybrid Search nutzt die Stärken zweier Suchwelten: exakte Wortübereinstimmung und semantische Ähnlichkeit. Besonders in RAG-Systemen ist diese Kombination häufig robust, weil reale Unternehmensdaten sowohl Fachbegriffe als auch natürlich formulierte Fragen enthalten. Ob Hybrid Search tatsächlich besser ist, sollte aber immer anhand eigener Retrieval-Metriken überprüft werden.
Passende Leistungen von Wils Solutions
Häufige Fragen
Was kombiniert Hybrid Search?
Hybrid Search kombiniert typischerweise lexikalische Volltextsuche wie BM25 mit vektorbasierter semantischer Suche.
Was ist Reciprocal Rank Fusion?
RRF ist ein Verfahren, das mehrere Ranglisten anhand ihrer Positionen zu einer gemeinsamen Trefferliste zusammenführt.
Warum ist Hybrid Search für RAG interessant?
Weil RAG sowohl exakte Fachbegriffe als auch semantisch ähnliche Formulierungen finden muss. Hybrid Search kann beide Signalarten kombinieren.
Braucht jedes RAG-System Hybrid Search?
Nein. Bei kleinen oder stark strukturierten Wissensbeständen kann ein einfacheres Retrieval ausreichend sein. Die Entscheidung sollte gemessen werden.