Was ist Hybrid-Suche (Hybrid Search) bei RAG-Systemen? Keyword- und Vektorsuche kombiniert erklärt

Hybrid-Suche (Hybrid Search) ist ein Verfahren zur Dokumentensuche, das zwei Suchmethoden kombiniert: die klassische Keyword-Suche (findet wörtliche Übereinstimmungen) und die Vektorsuche (findet inhaltlich ähnliche Passagen anhand ihrer Bedeutung). In RAG-Systemen verbessert diese Kombination die Trefferqualität, weil sie sowohl exakte Begriffe als auch den Sinn hinter einer Anfrage erfasst.

RAG steht für „Retrieval-Augmented Generation": Ein Sprachmodell beantwortet Fragen nicht nur aus seinem Trainingswissen, sondern zieht vorher passende Textabschnitte aus einer eigenen Wissensbasis heran. Die Qualität dieser Antwort hängt direkt davon ab, ob die richtigen Textabschnitte gefunden werden. Genau hier setzt die Hybrid-Suche an.

Warum reine Vektorsuche nicht ausreicht

Viele RAG-Pipelines nutzen zunächst nur die Vektorsuche. Dabei werden Texte in Embeddings umgewandelt – also in Zahlenreihen, die die Bedeutung eines Textes abbilden. Zwei Texte mit ähnlicher Bedeutung liegen im Vektorraum nah beieinander. Das funktioniert gut für Fragen, bei denen es auf den Sinn ankommt und nicht auf das exakte Wort.

Die Grenze zeigt sich bei exakten Begriffen. Eine reine Keyword-Suche findet nur Seiten, die den gesuchten Ausdruck buchstäblich enthalten; eine reine Vektorsuche liefert dagegen manchmal thematisch verwandtes, aber unpassendes Material – etwa allgemeine „Performance-Optimierung", wenn eigentlich nach einem konkreten Fehlerbild gesucht wurde (Meilisearch). Beide Verfahren haben also systematische blinde Flecken: Die Keyword-Suche verpasst Bedeutungszusammenhänge, die Vektorsuche verpasst exakte Fachbegriffe, Produktnamen oder Abkürzungen (Redis).

Wie Hybrid-Suche technisch funktioniert

Bei der Hybrid-Suche wird eine Anfrage parallel auf zwei Wegen verarbeitet. Erstens läuft eine klassische Keyword-Suche, in der Praxis meist mit dem Verfahren BM25, das Dokumente nach Begriffsrelevanz gewichtet. Zweitens wird die Anfrage in ein Embedding übersetzt und über einen Vektor-Index nach semantischer Nähe durchsucht (LinkedIn).

Beide Verfahren liefern eine eigene Rangliste. Diese müssen zusammengeführt werden – und hier liegt eine praktische Hürde: Die Punktwerte von BM25 und Vektorsuche sind nicht direkt vergleichbar, ein einfacher Durchschnitt der Werte scheitert daher oft im Produktivbetrieb. Verbreitet ist deshalb die Reciprocal Rank Fusion (RRF), ein Verfahren, das nicht mit den Punktwerten, sondern nur mit den Rangplätzen arbeitet. Dokumente, die in beiden Ranglisten weit oben stehen, erhalten den höchsten Gesamtwert (Digital Applied).

Was das in Zahlen bringt

Der Nutzen lässt sich messen. Auf dem E-Commerce-Benchmark WANDS erreichte ein abgestimmtes Hybrid-Setup einen NDCG-Wert von 0,7497 – ein Plus von 7,4 Prozent gegenüber reinem BM25 (0,6983) oder reiner Vektorsuche (0,6953) (Denser.ai). NDCG ist ein gängiges Maß für Ranking-Qualität: je höher, desto besser stehen die relevanten Treffer oben. Bei Finanzdokumenten mit gemischtem Text und Tabellen erreichte eine zweistufige Pipeline aus Hybrid-Suche und anschließendem neuronalem Re-Ranking einen Recall@5 von 0,816 (Denser.ai). Die Zahlen gelten für die jeweiligen Benchmarks und lassen sich nicht ohne Weiteres auf beliebige Anwendungen übertragen – die Richtung ist aber deutlich: Die Kombination schlägt jedes der beiden Verfahren allein.

Einordnung im Kontext von AI-Mitarbeitern

Für einen AI-Mitarbeiter, der Fragen auf Basis firmeneigener Unterlagen beantwortet, ist die Trefferqualität der Suche entscheidend. Ein Vertriebs- oder Support-Assistent muss sowohl Fachbegriffe und Produktbezeichnungen exakt treffen als auch sinngemäß formulierte Fragen verstehen. Wird nur eines von beidem abgedeckt, steigt das Risiko unvollständiger oder falscher Antworten und damit von Halluzinationen – also erfundenen Aussagen, die nicht durch die Wissensbasis gedeckt sind.

Die Hybrid-Suche greift dabei mit anderen Bausteinen einer RAG-Pipeline ineinander: mit dem Chunking (dem Aufteilen von Dokumenten in durchsuchbare Abschnitte), mit dem Metadaten-Filtering (dem Vorfiltern nach Kriterien wie Datum oder Kategorie) und mit einem nachgelagerten Re-Ranking, das die zusammengeführte Trefferliste noch einmal sortiert. Hybrid-Suche ist damit kein Ersatz für diese Schritte, sondern ein Baustein, der die erste Auswahl relevanter Dokumente robuster macht.

Wann sich Hybrid-Suche lohnt

Sinnvoll ist die Hybrid-Suche vor allem dort, wo Anfragen gemischt sind: mal begriffsgenau (Artikelnummern, Paragrafen, Eigennamen), mal sinngemäß formuliert. Das trifft auf viele Geschäftsanwendungen zu – von der Versicherung mit ihren Tarifbezeichnungen bis zur Industrie mit Bauteil- und Normbezeichnungen. Nutzt ein RAG-System bislang nur die Vektorsuche, ist das Ergänzen der Keyword-Komponente meist der erste Hebel zur Verbesserung. Viele gängige Frameworks unterstützen Hybrid-Suche bereits ab Werk (Redis).

Häufige Fragen

Was ist der Unterschied zwischen Hybrid-Suche und reiner semantischer Suche?

Die semantische Suche findet Texte allein über ihre Bedeutung mithilfe von Embeddings. Die Hybrid-Suche ergänzt diesen Weg um eine klassische Keyword-Suche und führt beide Ergebnisse zusammen. Dadurch werden exakte Begriffe wie Produktnamen oder Abkürzungen nicht mehr übersehen, die eine reine semantische Suche manchmal verfehlt.

Was ist Reciprocal Rank Fusion (RRF)?

RRF ist das gängige Verfahren, um die beiden Trefferlisten aus Keyword- und Vektorsuche zu einer gemeinsamen Rangfolge zu verschmelzen. Es arbeitet ausschließlich mit den Rangplätzen, nicht mit den Punktwerten der einzelnen Suchen. Das umgeht das Problem, dass BM25-Werte und Vektor-Ähnlichkeitswerte nicht direkt vergleichbar sind (Digital Applied).

Ersetzt Hybrid-Suche einen Reranker?

Nein, beides ergänzt sich. Die Hybrid-Suche stellt eine breitere, robustere Vorauswahl relevanter Dokumente zusammen; ein Reranker sortiert diese Vorauswahl anschließend noch einmal genauer. In den Benchmarks erzielte eine Kombination aus Hybrid-Suche und neuronalem Re-Ranking die besten Ergebnisse (Denser.ai).

Für wen lohnt sich Hybrid-Suche?

Sie lohnt sich für alle RAG-Anwendungen mit gemischten Anfragen aus exakten Begriffen und sinngemäßen Fragen – etwa in Support, Recht, Vertrieb oder technischer Dokumentation. Wenn ein bestehendes System nur die Vektorsuche nutzt und exakte Begriffe verfehlt, ist das Hinzufügen der Keyword-Komponente in der Regel eine der wirksamsten Verbesserungen.