Embeddings
Vektoren, die Bedeutung repräsentieren. Sie ermöglichen semantische Suche und RAG. Ihre Seite wird zu einem Punkt im Raum.
Seiten, die Synonyme nie erwähnen, können trotzdem gefunden werden, wenn das Embedding gut ist – oder übersehen, wenn der Chunk nur Fülltext ist.
Eindeutige Zahlen und Eigennamen erzeugen charakteristische Vektoren. Fülltext kollabiert Richtung Durchschnitt.
Beispiele
- Die „Ultimativen Guides“ zweier Wettbewerber liegen im Embedding fast genau übereinander. Eine Seite mit einem einzigartigen Datensatz sitzt woanders und wird für diese Anfrage abgerufen.
Verwandte Begriffe
Kombination von Keyword- (BM25) und Vektor-Retrieval. Viele RAG-Stacks machen dies. Ihre Substantive und Ihre Bedeutung zählen beide.
RAG bedeutet, dass das Modell bei der Antwortgenerierung Dokumente abruft, anstatt sich nur auf das zu verlassen, was es beim Training memorisiert hat.
Finden der nächsten Nachbarn im Embedding-Raum. Kern von RAG. Unklare Seiten clustern zusammen und verlieren.
FAQ
Kann ich mein Embedding sehen? +
Bei Google nicht. Du kannst intern deinen eigenen Korpus embedden, um die Retrieval-Qualität zu testen. Das ist ein Content-QA-Trick.
In Reddex tracken
Sehen Sie Reddit-Threads und KI-Antworten zu Ihrer Marke an einem Ort. Starten Sie mit einer kostenlosen Analyse.
Jetzt starten