Was ist ein Vektor-Embedding?

Ein Embedding-Modell bildet einen Text — Satz, Absatz, Dokument — auf eine Liste von Zahlen ab, einen Vektor. Das Modell wurde so trainiert, dass Texte mit ähnlicher Bedeutung ähnliche Vektoren erhalten: „Was kostet das System?“ und „Wie ist die Preisgestaltung?“ landen nahe beieinander, obwohl sie kein gemeinsames Wort haben; „Bankgebühr“ liegt dagegen fern von „Flussufer“, obwohl „Bank“ in beiden vorkommt. Gemessen wird die Nähe über die Kosinus-Ähnlichkeit: der Winkel zwischen zwei Vektoren. Bedeutung wird Geometrie — und Geometrie ist suchbar. Millionen von Passagen lassen sich in Millisekunden nach Nähe zu einer Anfrage sortieren.

Wo wirken Embeddings in der Antwort-Pipeline?

In der Retrieval-Stufe. Das Query Fan-out erzeugt Unterabfragen; für jede werden die gespeicherten Passagen-Vektoren des Index nach Nähe zur Unterabfrage gerankt. Die besten Treffer gehen ins Grounding. Zwei Eigenschaften dieses Mechanismus bestimmen die GEO-Praxis: Erstens matcht die Unterabfrage Bedeutungen, nicht Zeichenketten — wer die Begriffe seiner Käufer benutzt und deren Synonyme abdeckt, ist im Vektorraum sichtbar; wer nur internen Jargon pflegt, liegt fernab jeder realen Frage. Zweitens wird in Passagen gematcht, nicht in Dokumenten — ein Absatz ist die Bewertungseinheit, nicht die Seite.

Was bedeutet das für das Schreiben?

  • Ein Thema pro Abschnitt: Ein Absatz, der Definition, Preis und Anwendungsfall mischt, hat zu jedem nur mittlere Ähnlichkeit — er verliert gegen drei scharfe Abschnitte der Konkurrenz.
  • Das Begriffsfeld der Käufer: Decken Sie Synonyme und Umschreibungen ab, wie Ihre Kunden sie verwenden — aus Vertriebsgesprächen und Support-Tickets, nicht aus der Produkt-Roadmap.
  • Dichte statt Länge: Ein Block von 40 bis 80 Wörtern, der eine Frage vollständig beantwortet, bildet ein sauberes Chunk mit scharfem Vektor; dreihundert Wörter um denselben Punkt verwässern ihn.
  • Eigenständigkeit: Pronomen ohne Referenz und „wie oben gezeigt“ zerstören die Bedeutung der isolierten Passage — und isoliert wird sie gelesen.

Warum ist Chunking eine Designfrage?

Indexe zerlegen Dokumente in Chunks, bevor sie vektorisiert werden — oft absatzweise oder nach Überschriften. Sie können die Chunking-Regeln der Engines nicht kontrollieren, aber Sie können schreiben, als würde jeder Absatz einzeln vektorisiert: Jede H2-Sektion öffnet mit ihrer eigenen kleinen Direktantwort, jede Liste trägt ihre Einordnung selbst, jede Tabelle hat eine sprechende Überschrift. Wer so schreibt, stellt sicher, dass jedes Chunk, wie auch immer die Maschine schneidet, eine vollständige, matchbare Aussage enthält. Das ist die technische Wahrheit hinter der redaktionellen Regel des Antwort-Engineerings: Der Direktantwort-Block ist kein Stilmittel, sondern das optimale Retrieval-Objekt.

Wie prüft man semantische Sichtbarkeit?

Mit dem gleichen Instrument wie alles im GEO: dem festen Fragenset. Formulieren Sie Ihre 50 bis 100 Käuferfragen in echter Umgangssprache — die umgangssprachliche Fassung ist genau der Vektor, den die Engine matchen wird. Stellen Sie das Set monatlich und beobachten Sie die semantische Abdeckung: In welchen Clustern werden Ihre Passagen ausgewählt, in welchen nicht? Cluster ohne Treffer bedeuten: Entweder fehlt die Passage, oder sie liegt im Vektorraum fern der Frage — dann hilft Umschreiben im Begriffsfeld des Käufers, nicht Mehrfachnennung des Keywords. Ergänzend lohnt ein Blick in die eigenen internen Suchen und Support-Anfragen: Das ist Ihr Trainingskorpus für die Sprache der Nachfrageseite.

Typische Fallen

Erste Falle: Keyword-Denken — Begriffe wiederholen, statt Bedeutungen abzudecken; der Vektorraum belohnt Paraphrase, nicht Wiederholung. Zweite: thematisch diffuse Abschnitte, die zu allem ein wenig und zu nichts genau passen. Dritte: interner Jargon, der fernab der Käufersprache liegt. Vierte: Embeddings als neue Ranking-Geheimzutat behandeln; sie sind der Auswahlmechanismus des Retrieval — Grounding und Zitationsauswahl folgen danach und verlangen Belege und Konsistenz. Fünfte: semantische Abdeckung nie messen; ohne Fragenset bleibt unsichtbar, in welchen Clustern Ihre Passagen verlieren. Zur Messdimension siehe das Mess-SOP.

Häufige Fragen

Muss ich als Praktiker Embeddings selbst berechnen?
Nein. Embeddings sind der interne Auswahlmechanismus der Engines. Praktisch relevant sind nur die Konsequenzen: thematisch scharfe Abschnitte, die Begriffswelt der Käufer, eigenständige Antwortblöcke. Wer das umsetzt, ist im Vektorraum richtig positioniert, ohne einen einzigen Vektor zu rechnen.
Warum schlägt meine lange, gründliche Seite eine kürzere nicht automatisch?
Weil passagenweise gematcht wird: Ihre lange Seite wird in Chunks zerlegt, und jedes Chunk konkurriert einzeln. Eine kurze Seite mit scharfen Abschnitten stellt fünf gute Kandidaten; eine lange diffuse stellt viele schwache. Länge ohne Struktur ist im Vektorraum kein Vorteil.
Gilt das auch für die deutsche Sprache?
Ja. Moderne Embedding-Modelle sind mehrsprachig trainiert und erfassen deutsche Paraphrasen gut. Wichtig ist, in echtem Käufer-Deutsch zu schreiben — einschließlich regionaler Varianten im DACH-Raum — statt in übersetzten Marketingformeln.