Indexierung, Filterung und hybride Suche
Machen Sie die Vektorsuche im großen Maßstab schnell und präzise, indem Sie Indextypen verstehen, Metadatenfilter mit Ähnlichkeit kombinieren und Keyword- und Vektor-Retrieval in einer hybriden Suche verbinden.
Indexierung, Filterung und hybride Suche ist eine kostenlose LLM Apps in Production (RAG + Vector DB + Caching)-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des LLM Apps in Production (RAG + Vector DB + Caching)-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der LLM Apps in Production (RAG + Vector DB + Caching)-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
The Scale Problem
Comparing a query against millions of vectors one by one is too slow for production. Vector databases use indexes to find near neighbors quickly without scanning everything.
Approximate Nearest Neighbors
Most vector indexes are approximate (ANN): they trade a tiny bit of accuracy for huge speed gains. For RAG, near-perfect recall at fast speed is a great deal.
HNSW Indexes
HNSW (Hierarchical Navigable Small World) is a popular graph-based index. It navigates layers of connections to reach neighbors fast, balancing speed and accuracy via tunable parameters.
IVF Indexes
IVF clusters vectors into cells; a query only searches the closest cells. The nprobe parameter trades recall for speed by controlling how many cells to check.
Metadata Filtering
Pure similarity can return the wrong scope — old versions, other tenants. Storing metadata with each vector lets you filter results to the right subset.
results = store.similarity_search(
query,
k=4,
filter={'tenant': 'acme', 'lang': 'en'}
)Pre vs Post Filtering
Filters apply two ways:
- Pre-filter: restrict candidates before the ANN search (more correct)
- Post-filter: search, then drop non-matches (may return too few)
Prefer pre-filtering when the DB supports it.
Where Vector Search Struggles
Vectors capture meaning but can miss exact terms — product codes, names, acronyms. A query for SKU-9F may semantically match nothing useful.
Hybrid search fixes this.
What Is Hybrid Search?
Hybrid search runs both keyword (e.g. BM25) and vector search, then merges the results. You get semantic understanding plus exact-term precision.
Combining Scores with RRF
Reciprocal Rank Fusion merges the two ranked lists by rewarding items ranked high in either, without needing comparable score scales.
def rrf(ranks, k=60):
return sum(1 / (k + r) for r in ranks)Tuning the Balance
Many databases let you weight keyword vs vector contributions (alpha). Term-heavy domains lean keyword; conceptual queries lean vector. Tune on your test set.
results = store.similarity_search(query, k=4, alpha=0.5)Operational Tips
For healthy vector search at scale:
- Rebuild or update indexes as data grows
- Keep embeddings and index dimensions consistent
- Benchmark recall and latency together
Quick Check
Test your vector database knowledge.
Recap
You learned to scale and sharpen vector search:
- ANN indexes like HNSW and IVF make search fast
- Metadata filters scope results; prefer pre-filtering
- Hybrid search blends keyword and vector retrieval
- Fuse rankings with RRF and tune the balance
- Maintain indexes and benchmark recall vs latency
These techniques keep retrieval both fast and accurate in production.
Lerne LLM Apps in Production (RAG + Vector DB + Caching) mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 12
- Lektionen
- 48
Häufig gestellte Fragen
Ist die Lektion „Indexierung, Filterung und hybride Suche“ kostenlos?
Ja — der vollständige Text von „Indexierung, Filterung und hybride Suche“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des LLM Apps in Production (RAG + Vector DB + Caching)-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der LLM Apps in Production (RAG + Vector DB + Caching)-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Indexierung, Filterung und hybride Suche“?
Machen Sie die Vektorsuche im großen Maßstab schnell und präzise, indem Sie Indextypen verstehen, Metadatenfilter mit Ähnlichkeit kombinieren und Keyword- und Vektor-Retrieval in einer hybriden Suche… Du übst LLM Apps in Production (RAG + Vector DB + Caching) mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um LLM Apps in Production (RAG + Vector DB + Caching) zu starten?
Keine Vorkenntnisse erforderlich. LLM Apps in Production (RAG + Vector DB + Caching) auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Indexierung, Filterung und hybride Suche“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser LLM Apps in Production (RAG + Vector DB + Caching)-Lektion Code schreiben und ausführen?
Ja. Jede LLM Apps in Production (RAG + Vector DB + Caching)-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Die Notwendigkeit von Vektordatenbanken
- Vektoreinbettungen und Ähnlichkeitssuche
- Integration mit einer Vektordatenbank
- Indexierung, Filterung und hybride Suche