Inside AI Search #9: Hybrid Search

In der Reihe „Inside AI Search“ zeigt Quasiris, was hinter den einzelnen Funktionen moderner KI gestützter Suche steckt. In diesem Beitrag geht es um Hybrid Search, also die Kombination unterschiedlicher Suchverfahren, um Genauigkeit und Relevanz zu verbessern.

Denn kein einzelnes Retrievalverfahren ist für jede Anfrage optimal.

Eine exakte Produktnummer sollte möglichst präzise gefunden werden. Eine natürlich formulierte Frage benötigt dagegen eher semantisches Verständnis. Hybrid Search verbindet deshalb verschiedene Methoden und nutzt deren jeweilige Stärken.

Was ist Hybrid Search?

Hybrid Search kombiniert mehrere Suchmethoden innerhalb eines gemeinsamen Retrievalprozesses.

Am häufigsten werden dabei zwei Ansätze miteinander verbunden:

Lexikalische Suche
Sie bewertet, wie gut Begriffe aus der Suchanfrage mit Begriffen in Dokumenten oder Produktdaten übereinstimmen.

Semantische Suche
Sie bewertet die inhaltliche Ähnlichkeit zwischen Anfrage und Inhalt, auch wenn unterschiedliche Wörter verwendet werden.

Vereinfacht gesagt:

Keyword Search erkennt, was gesagt wurde.

Semantic Search versucht zu erkennen, was gemeint ist.

Hybrid Search führt beide Perspektiven zusammen.

Warum reicht Keyword Search allein nicht aus?

Lexikalische Suchverfahren sind besonders stark bei präzisen Begriffen.

Dazu gehören beispielsweise:

• Artikelnummern
• Fehlercodes
• Produktnamen
• Vertragsnummern
• technische Abkürzungen
• Eigennamen

Wer nach „XR 4400 B“ sucht, möchte in der Regel genau diese Zeichenfolge finden.

Schwieriger wird es bei natürlich formulierten Anfragen.

Ein Nutzer sucht beispielsweise nach:

„Wie kann ich mein Kundenkonto wieder freischalten?“

Das relevante Dokument könnte jedoch heißen:

„Wiederherstellung gesperrter Benutzerzugänge“

Eine reine Keyword Suche erkennt den Zusammenhang möglicherweise nicht zuverlässig, weil sich die verwendeten Begriffe unterscheiden.

Hier kann semantische Suche helfen.

Warum reicht semantische Suche allein ebenfalls nicht aus?

Auch Vektorsuche hat Grenzen.

Semantische Modelle können ähnliche Bedeutungen erkennen, behandeln aber exakte Kennungen nicht immer so zuverlässig wie klassische Suchverfahren.

Bei:

„Fehlercode E417“

sollte die Suche nicht nach Dokumenten suchen, die allgemein ähnliche technische Probleme beschreiben.

Sie sollte möglichst genau den Fehlercode E417 erkennen.

Ähnliches gilt für:

„Produkt ABX 3247“

oder:

„DIN EN ISO 9001“

Hier zählt Präzision stärker als semantische Ähnlichkeit.

Hybrid Search versucht deshalb nicht, ein Verfahren durch ein anderes zu ersetzen.

Sie verbindet beide.

Ein Beispiel aus der Praxis

Nehmen wir einen technischen Servicekatalog.

Ein Nutzer sucht:

„Motor läuft nach Start unruhig“

Die lexikalische Suche findet Dokumente, in denen Begriffe wie „Motor“, „Start“ und „unruhig“ vorkommen.

Die semantische Suche kann zusätzlich Inhalte erkennen, die beispielsweise von:

„stark schwankender Drehzahl unmittelbar nach dem Einschalten“

sprechen.

Beide Ergebnislisten können anschließend zusammengeführt werden.

Taucht ein Dokument sowohl in der lexikalischen als auch in der semantischen Suche weit oben auf, ist das ein starkes Relevanzsignal.

Wie werden zwei Ergebnislisten zusammengeführt?

Das ist eine der zentralen technischen Fragen von Hybrid Search.

Keyword Search und Vektorsuche liefern in der Regel unterschiedliche Scores, die nicht direkt miteinander vergleichbar sind.

Ein lexikalischer Treffer könnte beispielsweise einen Score von 12,8 erhalten.

Ein semantischer Treffer dagegen 0,86.

Diese Werte können nicht einfach addiert werden.

Deshalb werden verschiedene Fusionsverfahren eingesetzt.

Ein verbreiteter Ansatz ist Reciprocal Rank Fusion, kurz RRF.

Dabei spielt nicht der absolute Score die wichtigste Rolle, sondern die Position eines Dokuments in den jeweiligen Trefferlisten.

Ein Dokument, das sowohl lexikalisch als auch semantisch weit oben erscheint, erhält dadurch einen hohen kombinierten Rang.

Ein 2026 veröffentlichtes Retrievalsystem für einen internationalen Benchmark setzte genau auf diese Architektur: BM25 und Dense Retrieval wurden über Reciprocal Rank Fusion kombiniert und anschließend durch einen Cross Encoder neu bewertet. Das System lag im offiziellen Test 10,7 Prozent über der Baseline.¹

Das zeigt: Die Kombination mehrerer Verfahren kann zusätzlichen Nutzen bringen, wenn ihre Ergebnisse sinnvoll zusammengeführt werden.

Unterschiedliche Verfahren liefern unterschiedliche Signale

Warum funktioniert diese Kombination überhaupt?

Weil lexikalische und semantische Suche unterschiedliche Fehler machen.

Lexikalische Suche kann einen Treffer verpassen, wenn Nutzer und Dokument unterschiedliche Formulierungen verwenden.

Semantische Suche kann dagegen bei sehr spezifischen Begriffen oder Kennungen zu großzügig interpretieren.

Eine aktuelle Analyse von Dense und Hybrid Retrieval für konversationelle Suche bestätigt diese Ergänzung. Die Autoren zeigen, dass lexikalische und dichte Retrievalverfahren unterschiedliche Relevanzsignale liefern und sich in einer hybriden Architektur sinnvoll ergänzen können.²

Hybrid Search reduziert damit die Abhängigkeit von einem einzigen Retrievalmechanismus.

Hybrid Search ist nicht automatisch besser

Mehr Verfahren bedeuten nicht automatisch bessere Ergebnisse.

Wenn Keyword Search und semantische Suche schlecht konfiguriert sind, entsteht durch ihre Kombination kein gutes Retrieval.

Wichtig sind unter anderem:

• geeignete Embedding Modelle
• eine saubere Indexierung
• passende Gewichtungen
• geeignete Fusionsverfahren
• gute Produktdaten oder Dokumente
• eine realistische Evaluation

Auch die optimale Gewichtung kann sich je nach Anwendungsfall unterscheiden.

Bei technischen Dokumenten kann die lexikalische Komponente stärker gewichtet werden.

Bei einer Wissenssuche mit natürlich formulierten Fragen kann semantisches Retrieval wichtiger sein.

Eine gute Hybrid Search Architektur sollte diese Gewichtung deshalb nicht pauschal festlegen.

Query Intent kann die Gewichtung beeinflussen

Besonders interessant wird Hybrid Search, wenn weitere AI Search Funktionen hinzukommen.

Intent Detection kann beispielsweise erkennen, welche Art von Anfrage vorliegt.

Bei:

„ABX 4711“

kann das System erkennen, dass es sich wahrscheinlich um eine genaue Kennung handelt und lexikalische Treffer stärker gewichten.

Bei:

„Welcher Laptop eignet sich für häufige Geschäftsreisen?“

kann semantisches Retrieval stärker in den Vordergrund rücken.

Damit wird Hybrid Search nicht nur zu einer festen Mischung aus zwei Verfahren.

Die Gewichtung kann sich abhängig von der Anfrage verändern.

Re Ranking ergänzt Hybrid Search

Hybrid Search entscheidet zunächst, welche Dokumente grundsätzlich relevant erscheinen.

Automatic Re Ranking kann diese Treffer anschließend noch einmal genauer bewerten.

Eine mögliche Architektur sieht deshalb so aus:

1. Keyword Retrieval

findet exakte oder lexikalisch ähnliche Ergebnisse.

2. Semantic Retrieval

findet inhaltlich passende Ergebnisse.

3. Fusion

führt beide Listen zusammen.

4. Re Ranking

bewertet die besten Kandidaten erneut.

Genau diese Kombination wird auch in aktuellen Retrievalsystemen eingesetzt. Untersuchungen zu budgetbegrenzter agentischer Suche zeigen, dass hybrides lexikalisches und semantisches Retrieval mit leichtgewichtigem Re Ranking die größten durchschnittlichen Verbesserungen innerhalb der untersuchten Retrievalvarianten erzielte.³

Hybrid Search ist damit häufig nicht das Ende der Pipeline, sondern eine starke Grundlage für weitere Relevanzoptimierung.

Warum Hybrid Search für RAG wichtig ist

Bei Retrieval Augmented Generation entscheidet das Retrieval darüber, welche Inhalte einem Sprachmodell zur Verfügung gestellt werden.

Fehlt ein entscheidendes Dokument bereits in dieser Phase, kann auch ein gutes Sprachmodell die Information nicht zuverlässig verwenden.

Hybrid Search kann hier helfen, zwei unterschiedliche Risiken zu reduzieren:

Semantisch passende Informationen werden gefunden, auch wenn andere Wörter verwendet werden.

Gleichzeitig bleiben:

exakte Begriffe, Kennungen und Fachausdrücke auffindbar.

Das ist besonders bei Unternehmensdaten wichtig.

Ein RAG System kann gleichzeitig mit Richtlinien, technischen Dokumentationen, Produktdaten und strukturierten Informationen arbeiten.

Für diese Mischung reicht häufig kein einzelnes Retrievalverfahren aus.

Hybrid Search im E Commerce

Auch bei Produktsuche zeigt sich der Nutzen deutlich.

Ein Kunde sucht:

„leichte wasserdichte Jacke für mehrtägige Wanderungen“

Semantic Search kann den Nutzungskontext erkennen und passende Produkte finden.

Gibt derselbe Nutzer dagegen eine konkrete Modellnummer ein, sollte Keyword Search dominieren.

Hybrid Search ermöglicht es, beide Suchverhalten innerhalb derselben Search Experience zu unterstützen.

Das ist besonders bei Sortimenten relevant, in denen sehr unterschiedliche Suchtypen auftreten.

Hybrid Search in Enterprise Search

Unternehmenswissen enthält häufig eine Mischung aus:

• freien Texten
• Fachbegriffen
• Dokumentnummern
• Abkürzungen
• Produktkennungen
• natürlich formulierten Fragen

Ein Mitarbeiter kann heute nach einem exakten Dokumentcode suchen und morgen eine vollständige Frage stellen.

Eine Enterprise Search muss mit beidem umgehen können.

Hybrid Search reduziert die Notwendigkeit, Nutzer auf eine bestimmte Suchweise festzulegen.

Sie können suchen, wie es für ihre aktuelle Aufgabe sinnvoll ist.

Hybrid Search ist keine bloße Addition

Eine häufige Fehlannahme lautet:

Keyword Search + Vector Search = Hybrid Search.

Technisch ist die Kombination zwar die Grundlage. Entscheidend ist jedoch, wie sie orchestriert wird.

Eine gute hybride Architektur beantwortet zusätzliche Fragen:

• Wann wird welches Retrievalverfahren verwendet?
• Werden beide immer parallel ausgeführt?
• Wie werden die Scores kombiniert?
• Welche Methode wird stärker gewichtet?
• Welche Ergebnisse werden weiter zum Re Ranking geschickt?
• Wie wirkt sich der Query Intent aus?
• Welche Metriken bestimmen die Qualität?

Der eigentliche Mehrwert entsteht also nicht durch das bloße Vorhandensein zweier Suchsysteme.

Er entsteht durch deren abgestimmtes Zusammenspiel.

Wie lässt sich Hybrid Search bewerten?

Die Qualität sollte mit realistischen Suchanfragen geprüft werden.

Besonders hilfreich ist ein Testset, das unterschiedliche Query Typen enthält:

Exakte Anfragen

„ABX 4711“

Natürlich formulierte Fragen

„Wie kann ich einen gesperrten Account wieder freischalten?“

Fachbegriffe

„hydraulische Kavitation“

Synonyme

„Notebook für Außendienst“ statt „mobiler Laptop“

Mehrdeutige Anfragen

„Java“

Anschließend lässt sich vergleichen:

• Keyword Search allein
• Semantic Search allein
• Hybrid Search

Metriken wie nDCG, Recall oder Mean Reciprocal Rank können zeigen, welche Variante die relevantesten Treffer zuverlässiger nach oben bringt.

Noch wichtiger ist allerdings die Evaluation anhand der tatsächlichen Unternehmensdaten und Nutzungsszenarien.

Fazit: Die beste Suche nutzt unterschiedliche Stärken

Kein einzelnes Retrievalverfahren löst jede Suchaufgabe gleich gut.

Keyword Search bietet Präzision bei eindeutigen Begriffen und Kennungen.

Semantic Search erkennt Bedeutung und Zusammenhänge auch dann, wenn Nutzer andere Formulierungen verwenden.

Hybrid Search verbindet beide Ansätze und schafft damit eine robustere Grundlage für Produktsuche, Enterprise Search, RAG und Question Answering.

Entscheidend ist jedoch nicht, einfach zwei Verfahren parallel auszuführen.

Eine leistungsfähige Hybrid Search benötigt eine passende Fusion, eine abgestimmte Gewichtung und eine Evaluation anhand realer Suchanfragen.

Die Frage lautet deshalb nicht Keyword Search oder Semantic Search, sondern welche Kombination für die jeweilige Anfrage die besten Ergebnisse liefert.

Hybrid Search mit Quasiris

Die Quasiris Search Cloud unterstützt Hybrid Search und ermöglicht es, unterschiedliche Suchverfahren innerhalb einer gemeinsamen Search Experience zu kombinieren.

Sie möchten herausfinden, welche Kombination aus lexikalischer und semantischer Suche zu Ihren Daten passt? Sprechen Sie mit den Search Experten von Quasiris über Ihren Anwendungsfall.