---
title: "Was ist hybride Suche? BM25 plus Vektoren mit RRF erklärt"
description: "Hybride Suche kombiniert Keyword-Suche wie BM25 mit Vektorsuche und führt die Rankings zusammen, oft per Reciprocal Rank Fusion. Funktionsweise und Nutzen für RAG."
url: https://broadrouter.com/de/glossary/hybrid-search/
lang: de
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/hybrid-search/) (aktualisiert am 2026-11-16).

# Hybride Suche (Hybrid Search)

Aktualisiert 2026-11-16

Hybride Suche ist ein Retrieval-Verfahren, das für dieselbe Anfrage eine Keyword-Suche wie BM25 und eine Vektorsuche über Embeddings ausführt und die beiden Ergebnislisten zu einer zusammenführt, oft mit Reciprocal Rank Fusion (RRF) oder einer gewichteten Summe normalisierter Scores.

Auch genannt: Hybride Suche, Hybrid-Suche, hybrides Retrieval, Rangfusion, hybrid search, hybrid retrieval, reciprocal rank fusion, RRF

Die Keyword-Suche findet die exakten Wörter. Die Vektorsuche findet die Bedeutung. Die hybride Suche führt beide aus und führt die Ergebnisse zusammen.

## So funktioniert es

Die Anfrage geht gleichzeitig an zwei Retriever:

-   **Keyword**: [BM25](https://broadrouter.com/de/glossary/bm25/) über einen invertierten Index. Stark bei Namen, Codes und seltenen Begriffen.
-   **Vektor**: nächste Nachbarn über [Embeddings](https://broadrouter.com/de/glossary/embeddings/) in einer [Vektordatenbank](https://broadrouter.com/de/glossary/vector-database/). Stark bei Umschreibungen und Synonymen.

Die beiden Scores liegen auf unterschiedlichen Skalen, deshalb fusionieren die meisten Systeme nach Rang oder nach normalisiertem Score.

**Reciprocal Rank Fusion (RRF)** von Cormack, Clarke und Büttcher (SIGIR 2009) summiert für jede Liste, in der ein Dokument vorkommt, einen Term auf. Elasticsearch dokumentiert die Schleife als `score += 1.0 / (k + rank(result(q), d))`, wobei die Rangkonstante `k` standardmäßig 60 ist. In der Dokumentation heißt es: „RRF requires no tuning.“ (Übersetzung: „RRF braucht kein Tuning.“)

Ein durchgerechnetes Beispiel mit k = 60:

| Dokument | BM25-Rang | Vektor-Rang | RRF-Score |
| --- | --- | --- | --- |
| A | 1 | 3 | 1/61 + 1/63 = 0,0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0,0325 |
| C | nicht gefunden | 2 | 1/62 = 0,0161 |

B gewinnt, weil beide Retriever es weit oben einordnen.

**Gewichtete Fusion** ist die andere verbreitete Methode. Der Standard von Weaviate seit v1.24, `relativeScoreFusion`, normalisiert die Scores jeder Suche und kombiniert sie als skalierte Summe. Die Einstellung `alpha` gewichtet beide: 0 ist nur Keyword, 1 ist nur Vektor, und 0,75 ist der Server-Standard. Die Dokumentation empfiehlt, alpha explizit zu setzen: Der Standard 0,75 gilt nur, wenn eine Anfrage ohne alpha beim Server ankommt, und nicht jede Client-Bibliothek lässt den Wert ungesetzt, sodass die tatsächliche Gewichtung abweichen kann.

Nach der Fusion setzen viele Pipelines noch einen [Reranker](https://broadrouter.com/de/glossary/reranking/) auf die besten Treffer.

## Warum es wichtig ist

-   **Recall.** Echte Anfragen mischen exakte Begriffe und lockere Formulierungen. Ein einzelner Retriever allein verpasst einen Teil davon.
-   **Arabisch.** Die arabische Schreibung variiert (Alif-Formen, Ta marbuta, Diakritika). Das schadet dem exakten Keyword-Abgleich, solange der Text nicht normalisiert ist. Die zusätzliche Vektorsuche bietet einen zweiten Weg zum richtigen Chunk. Siehe [arabische RAG-Suche](https://broadrouter.com/de/blog/arabic-rag-search/) und [arabische Textnormalisierung für die Suche](https://broadrouter.com/de/blog/arabic-text-normalization-search/).
-   **Weniger Tokens.** Besseres Retrieval bedeutet weniger Chunks, die pro Frage an das LLM gehen.

## Bei BroadNet Inference

Die hybride Suche läuft in Ihrem Such-Stack: Elasticsearch, OpenSearch, Weaviate oder Ähnlichem. BroadNet bietet keine Endpoints für Embeddings oder Reranking an. Erzeugen Sie Embeddings also mit einem anderen Anbieter oder einem lokalen Modell. Senden Sie die zusammengeführten besten Chunks über die Chat Completions API an ein Chatmodell von BroadNet wie [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) oder [GLM 5.3](https://broadrouter.com/de/models/glm-5.3/). Bei kleinen Korpora lohnt der Vergleich damit, die Dokumente einfach in einen langen Kontext zu legen; siehe [langer Kontext vs. RAG](https://broadrouter.com/de/blog/long-context-vs-rag/).

## Häufige Fragen

### Warum nicht einfach nur Vektorsuche verwenden?

Embeddings treffen die Bedeutung, können aber exakte Zeichenfolgen wie Produktcodes, Namen und Fehlermeldungen verfehlen. Die Keyword-Suche findet genau diese. Kombiniert decken beide Arten von Anfragen ab.

### Muss ich RRF feinjustieren?

Meist kaum. Laut der Dokumentation von Elasticsearch braucht RRF kein Tuning, und die kombinierten Ergebnismengen müssen keine vergleichbaren Relevanz-Scores haben. Die Rangkonstante steht standardmäßig auf 60.

### Was bedeutet alpha in Weaviate?

alpha gewichtet Vektor- gegen Keyword-Ergebnisse. Laut der Dokumentation von Weaviate bedeutet alpha 0 nur Keyword-Suche, alpha 1 nur Vektorsuche, und der Server-Standard ist 0,75.

## Siehe auch

-   [BM25](https://broadrouter.com/de/glossary/bm25/) (Begriff)
-   [Embeddings](https://broadrouter.com/de/glossary/embeddings/) (Begriff)
-   [Vektordatenbank (vector database)](https://broadrouter.com/de/glossary/vector-database/) (Begriff)
-   [Reranking](https://broadrouter.com/de/glossary/reranking/) (Begriff)
-   [RAG (Retrieval-Augmented Generation)](https://broadrouter.com/de/glossary/rag/) (Begriff)
-   [Chunking (RAG)](https://broadrouter.com/de/glossary/chunking/) (Begriff)
-   [LlamaIndex über OpenAILike mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/llamaindex-openailike/) (Anleitung)
-   [RAG auf Arabisch: Normalisierung, Chunking und Retrieval, die wirken](https://broadrouter.com/de/blog/arabic-rag-search/) (Artikel)
-   [Long Context vs. RAG: Wann 1M Tokens die Vektordatenbank ersetzen](https://broadrouter.com/de/blog/long-context-vs-rag/) (Artikel)
-   [Arabische Textnormalisierung für Suche und RAG: was ändern, was nicht](https://broadrouter.com/de/blog/arabic-text-normalization-search/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-hybrid-search&utm_content=page-cta) ·

**Quellen**

-   [Cormack, Clarke und Büttcher, Reciprocal rank fusion outperforms Condorcet and individual rank learning methods, SIGIR 2009 (geprüft am 2026-11-15)](http://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)
-   [Dokumentation von Elasticsearch, Reciprocal Rank Fusion (geprüft am 2026-11-16)](https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion)
-   [Dokumentation von Weaviate, Konzepte der hybriden Suche (alpha und Fusionsmethoden) (geprüft am 2026-11-16)](https://docs.weaviate.io/weaviate/concepts/search/hybrid-search)
