Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Optimierung der Suchrelevanz

Lektion 12 von 16 Aktualisiert am 29. Juli 2026 Entwickler
Auf dieser Seite
  1. Die Ergebnisqualität liegt in Ihren Händen
  2. Dokumente für das Chunking vorbereiten
  3. Bessere Abfragen formulieren
  4. Metadaten und Organisation nutzen
  5. Messen Sie vor der Bereitstellung
  6. Kernaussagen

Die Ergebnisqualität liegt in Ihren Händen

Die Suchmaschine von xAI ist leistungsfähig, funktioniert aber ausschließlich mit dem Material, das Sie ihr zur Verfügung stellen. Eine schlecht vorbereitete Sammlung liefert auch mit dem besten Modell nur mittelmäßige Ergebnisse, was Teams zu dem falschen Schluss führt, dass „RAG nicht funktioniert”. Sie haben drei Hebel zur Verfügung: Dokumentstruktur, Formulierung von Abfragen und die Organisation der Sammlung. In dieser Lektion werden diese Aspekte in dieser Reihenfolge untersucht, woraufhin eine Methode zur Messung Ihres Fortschritts vorgestellt wird.

Dokumente für das Chunking vorbereiten

Die Engine stützt sich auf die Dokumentstruktur, um Inhalte in Segmente (Chunks) aufzuteilen: Überschriften, Zwischenüberschriften und Absätze dienen als Markierungen. Eine Überschrift wie „Rückgabepolitik für Online-Käufe” verleiht dem Segment eine klare Identität und macht es auffindbar; „Abschnitt 3.2.1” liefert hingegen kein verwertbares Signal für das Chunking oder die semantische Übereinstimmung. Das Umbenennen von Überschriften in einem internen Handbuch vor dem Indexieren ist oft die Optimierung mit der höchsten Rendite (ROI) im gesamten Projekt.

Die Dokumentgröße ist der nächste wichtige Faktor. Ein 500-Seiten-PDF erzeugt Hunderte von Segmenten, die gegeneinander konkurrieren: Je größer und vielfältiger der interne Korpus eines Dokuments ist, desto höher ist das Risiko, dass ein irrelevanter Auszug gut bewertet wird. Spalten Sie diese Monolithen in thematische Abschnitte auf und streben Sie Dokumente an, die sich auf ein einzelnes Thema konzentrieren und zwischen zwanzig und fünfzig Seiten umfassen, anstatt ein Sammelwerk, das alles abdeckt.

Dann stellt sich die Frage des Kontexts. Jedes Segment wird isoliert gelesen, getrennt von dem, was ihm vorausgeht, was anaphorische Verweise zum Scheitern verurteilt. Ein Satz wie „wie oben erwähnt, gilt diese Frist auch für Großaufträge” wird nach dem Chunking unbrauchbar: Weder die Frist noch ihr Gegenstand erscheinen im Fragment. Schreiben Sie stattdessen „die vierzehntägige Widerrufsfrist gilt auch für Großaufträge”, dann steht das Segment für sich selbst.

Bessere Abfragen formulieren

Die Präzision der Abfrage wiegt genauso schwer wie die Qualität des Korpus. Eine Suche nach „Sicherheit” liefert Dutzende unterschiedlicher Auszüge, von Passwörtern bis hin zur physischen Zugangskontrolle; „Firewall-Konfiguration für eingehende Verbindungen auf Port 443” zielt sofort auf die zwei oder drei nützlichen Passagen. Wenn Ihre Dokumente etablierte technische Vokabeln verwenden, nutzen Sie diese ebenfalls: Selbst im Hybridmodus, der exakte Übereinstimmungen und semantisches Verständnis mischt, bleibt der wörtliche Begriff ein starkes Signal.

Bevorzugen Sie vollständige Fragen statt Paket von Stichworten. „API-Verbindungszeitüberschreitung” lässt die Engine raten, was Sie beabsichtigen, während „Wie konfiguriere ich die API-Verbindungszeitüberschreitung?” eine grammatikalische Struktur bietet, die gegen indizierte Sätze abgeglichen werden kann. Der Gewinn ist insbesondere im semantischen Modus deutlich, der für natürliche Sprache entwickelt wurde.

Metadaten und Organisation nutzen

Wenn Sie Metadaten mit inject_into_chunk deklariert haben, werden diese in den indizierten Text integriert und dienen als Ankerpunkte. Ein department-Feld, das in jedes Segment injiziert wird, bedeutet, dass die Abfrage „Validierungsverfahren im Marketing-Team” ohne explizite Filterung spontan Dokumente des Marketing-Departments zur Oberfläche bringt.

Eine thematische Organisation der Sammlung erzeugt diesen Effekt in größerem Maßstab. Statt einer einzigen Sammlung, die alles enthält, trennen Sie col_docs_techniques für technische Dokumentation, col_procedures_internes für Prozesse und col_support_client für FAQs und Benutzerhandbücher. Ein kundenorientierter Assistent fragt dann nur die dritte Sammlung ab: Weniger Dokumente zu durchsuchen bedeutet präzisere Ergebnisse und geringere Kosten, da keine Aufrufe an unnötige Sammlungen gesendet werden. Der Suchmodus vervollständigt diese Einstellung: keyword für Code oder exakte Referenzen, semantic für eine konzeptuelle Frage und hybrid, wenn Zweifel bestehen und dies der Standard ist.

Messen Sie vor der Bereitstellung

Ohne Evaluation ist all dies bedeutungslos. Bevor Sie in die Produktion gehen, erstellen Sie einen Testsatz: Formulieren Sie zehn bis zwanzig Fragen, die reale Fälle repräsentieren, die Ihre Nutzer tatsächlich stellen, nicht die, die Sie sich ausdenken. Führen Sie diese durch, urteilen Sie über die Relevanz der zurückgegebenen Ergebnisse und notieren Sie Abfragen, die mit unzureichenden Auszügen zurückkommen. Diese zeigen Ihnen, was Sie korrigieren müssen: Verbessern Sie die Struktur des relevanten Dokuments, fügen Sie Metadaten hinzu oder formulieren Sie die Abfrage selbst neu.

Scores dienen als Ihr Thermometer in diesem Zyklus. Jedes Ergebnis trägt einen Wert zwischen 0 und 1; wenn Ihre typischen Abfragen konsistent unter 0,5 liegen, suchen Sie das Problem nicht auf der Modellseite. Entweder sind Ihre Dokumente schlecht strukturiert, Ihre Fragen bleiben zu vage oder – am häufigsten und am häufigsten falsch diagnostiziert – Ihr Korpus enthält schlichtweg nichts zum gewünschten Thema. Das erneute Durchführen desselben Fragensets nach jeder Änderung zeigt Ihnen mit Zahlen, ob Sie Fortschritte machen.

Kernaussagen

  • Die Ergebnisqualität hängt von der Dokumentstruktur, der Präzision der Abfrage und der Organisation der Sammlung ab
  • Explizite Titel und angemessene Dokumentgrößen verbessern das Chunking
  • Vollständige Fragen in natürlicher Sprache liefern bessere Ergebnisse als isolierte Stichworte
  • Metadaten mit inject_into_chunk bereichern Segmente und verbessern die Relevanz
  • Testen Sie Ihre Sammlungen mit typischen Abfragen vor der Bereitstellung in der Produktion