Was ist ein Vektor-Datenbank-Filter (Metadaten-Filtering)? Gezielte Suche in RAG-Systemen erklärt

Ein Vektor-Datenbank-Filter (Metadaten-Filtering) ist eine Technik, mit der die Suche in einer Vektor-Datenbank auf Dokumente mit bestimmten Eigenschaften eingegrenzt wird – zum Beispiel auf ein Datum, eine Abteilung, eine Sprache oder einen Kunden. Statt in der gesamten Datenmenge nach inhaltlich ähnlichen Texten zu suchen, berücksichtigt das System nur die Einträge, die vorher festgelegte Bedingungen erfüllen. Das Ergebnis: relevantere Treffer, weniger Rauschen und in vielen Fällen schnellere Antworten.

Warum Filter in der Vektorsuche gebraucht werden

Eine Vektorsuche findet Texte, die inhaltlich ähnlich sind – nicht solche, die exakt dieselben Wörter enthalten. Dazu werden Dokumente in Embeddings umgewandelt, also in Zahlenreihen, die Bedeutung abbilden. Die Suche liefert dann die Einträge, deren Zahlenreihen dem Suchbegriff am nächsten liegen.

Das funktioniert gut, kennt aber nur den Inhalt – nicht den Kontext. Eine reine Ähnlichkeitssuche unterscheidet nicht zwischen einem gültigen Vertragsdokument und einer veralteten Fassung, zwischen einem internen Vermerk und einer Kundendokumentation, oder zwischen zwei verschiedenen Mandanten. Genau hier setzt Metadaten-Filtering an: Es nutzt strukturierte Zusatzinformationen (Metadaten), um die Suche auf den passenden Ausschnitt zu begrenzen (Neo4j).

Metadaten sind dabei alle beschreibenden Angaben, die neben dem eigentlichen Text gespeichert werden: Erstellungsdatum, Dokumenttyp, Autor, Zugriffsrechte, Produktkategorie oder Kunden-ID. Beim Ablegen eines Dokuments – oft nach dem Chunking, also dem Aufteilen in kleinere Abschnitte – werden diese Angaben mit gespeichert.

Pre-Filtering, Post-Filtering und der Hybrid-Ansatz

Für die Kombination aus Filter und Vektorsuche gibt es drei gängige Vorgehensweisen.

Pre-Filtering grenzt zuerst die Dokumente nach Metadaten ein und führt danach die Ähnlichkeitssuche nur auf dieser reduzierten Menge durch (Neo4j). Der Vorteil: Es wird nur relevantes Material durchsucht. Der Nachteil zeigt sich bei großen Datenbeständen. Der zugrundeliegende Vektor-Index (HNSW) verbindet Datenpunkte über ein Netz aus Verknüpfungen. Ein zu strenger Vorabfilter zerschneidet zu viele dieser Verbindungen, was die Trefferqualität senken kann (Qdrant). Pre-Filtering eignet sich daher vor allem für kleinere Datenmengen oder Filter mit wenigen möglichen Werten (Qdrant).

Post-Filtering dreht die Reihenfolge um: Erst läuft die Vektorsuche, dann werden die Treffer nach Metadaten gefiltert (MyScale). Das garantiert die inhaltlich besten Vektor-Treffer, hat aber ein Mengenproblem: Wenn der Filter viele der Top-Treffer wieder aussortiert, bleiben unter Umständen zu wenige oder gar keine passenden Ergebnisse übrig (Qdrant).

Hybride Suche kombiniert Vektor-Ähnlichkeit mit klassischem Stichwort-Abgleich (etwa BM25) und erfasst damit sowohl bedeutungsähnliche als auch exakte Treffer (virtido). Welcher Ansatz sinnvoll ist, hängt vom konkreten Anwendungsfall ab; oft ist eine Kombination die beste Wahl (Turso).

Rolle in RAG-Systemen

Metadaten-Filtering ist ein Baustein von Retrieval-Augmented Generation (RAG) – dem Verfahren, bei dem ein Sprachmodell vor der Antwort passende Dokumente aus einer Wissensbasis abruft und diese als Grundlage nutzt. Der Filter entscheidet mit darüber, welches Material überhaupt in die Antwort einfließt.

Ein präziser Filter reduziert irrelevante Passagen und senkt damit das Risiko, dass das Modell auf unpassendem Kontext aufbaut (AWS). Das ist auch für die Vermeidung von Halluzinationen relevant: Je sauberer der abgerufene Kontext, desto belastbarer die Antwort. In der Praxis wirkt Filtering zudem gemeinsam mit einem Reranker, der die verbliebenen Treffer noch einmal nach Relevanz sortiert.

Konkrete Beispiele aus der Praxis

Metadaten-Filter sind überall dort nützlich, wo Dokumente klare Abgrenzungen brauchen:

• Aktualität: Nur Verträge oder Preislisten mit Gültigkeitsdatum ab diesem Jahr durchsuchen.
• Zugriffsrechte: Ein Mitarbeiter sieht nur Dokumente seiner Abteilung – der Filter setzt die Berechtigung technisch um.
• Mandantentrennung: In einer Anwendung mit mehreren Kunden werden Daten strikt pro Kunde getrennt gehalten.
• Sprache oder Region: Nur deutschsprachige Quellen oder nur Unterlagen eines bestimmten Standorts.

Für unsere AI-Mitarbeiter ist diese Eingrenzung ein wichtiger Baustein. Ein AI-Mitarbeiter wie Hanna, der Fragen aus einer Unternehmens-Wissensbasis beantwortet, sollte nur aktuelle und für die jeweilige Rolle freigegebene Dokumente heranziehen. In datenschutzsensiblen Umgebungen – etwa in der Versicherung oder im Asset Management – ist die saubere Trennung nach Mandant und Zugriffsrecht nicht optional, sondern Voraussetzung. Metadaten-Filtering ist damit ein technischer Hebel für Datenschutz bei KI-Agenten.

Was bei der Umsetzung zählt

Damit Filter funktionieren, müssen die Metadaten von Anfang an sauber vergeben werden. Fehlt bei einem Dokument das Erstellungsdatum, kann kein Datumsfilter greifen. Wichtig sind außerdem klare, einheitliche Feldnamen und Werte – ein Feld „Abteilung" nützt wenig, wenn dieselbe Abteilung mal ausgeschrieben, mal abgekürzt gespeichert wird.

Bei der Wahl zwischen Pre- und Post-Filtering spielt die Datengröße eine Rolle: Große Datenbestände und selektive Filter sprechen eher gegen ein striktes Pre-Filtering (Qdrant). Und schließlich lohnt sich ein Blick auf die Retrieval-Latenz: Ein gut gesetzter Filter kann die Suche beschleunigen, ein schlecht umgesetzter sie bremsen.

Häufige Fragen

Was ist der Unterschied zwischen Pre-Filtering und Post-Filtering?

Pre-Filtering grenzt zuerst nach Metadaten ein und durchsucht danach nur die verbleibenden Dokumente per Vektorsuche. Post-Filtering führt zuerst die Vektorsuche durch und filtert erst danach die Treffer. Pre-Filtering ist bei kleineren Datenmengen effizient, kann aber bei großen Beständen die Genauigkeit senken; Post-Filtering liefert die besten Vektor-Treffer, riskiert aber, dass nach dem Filtern zu wenige Ergebnisse übrig bleiben.

Brauche ich Metadaten-Filtering überhaupt, wenn die Vektorsuche schon gut ist?

In vielen Fällen ja. Die Vektorsuche findet inhaltlich ähnliche Texte, kennt aber keinen Kontext wie Aktualität, Zugriffsrecht oder Mandant. Ohne Filter kann ein System auf veraltete oder nicht freigegebene Dokumente zugreifen. Gerade in Unternehmen mit sensiblen Daten ist der Filter deshalb weniger eine Optimierung als eine Grundanforderung.

Was passiert, wenn die Metadaten unvollständig sind?

Dann greifen die entsprechenden Filter nicht oder nur lückenhaft. Fehlt etwa das Datum, wird ein Dokument bei einem Datumsfilter entweder ganz übersehen oder fälschlich eingeschlossen. Deshalb ist eine saubere, einheitliche Vergabe der Metadaten beim Einlesen der Dokumente entscheidend für die spätere Trefferqualität.

Wie hängt Metadaten-Filtering mit RAG-Systemen zusammen?

Filter bestimmen, welche Dokumente ein RAG-System als Kontext heranzieht. Ein präziser Filter reduziert irrelevante Passagen und senkt so das Risiko fehlerhafter Antworten. In der Praxis wird Filtering oft mit hybrider Suche und einem Reranker kombiniert, um die abgerufenen Inhalte weiter zu schärfen.