Retriever

« Zurück zum Glossar Index

Ein Retriever ist eine Systemkomponente, die aus einer großen Dokumentenmenge diejenigen Inhalte identifiziert, die für eine gegebene Anfrage wahrscheinlich relevant sind. Er bildet die Retrieval-Schicht zwischen Anfrage und weiterführender Verarbeitung, etwa durch Re-Ranking oder Generierung. Retriever sind zentrale Bausteine moderner Such- und RAG-Architekturen.

Funktionsweise und Einordnung

Ein Retriever übernimmt die Vorauswahl von Kandidaten aus einem Index oder einer Vektordatenbank.

Je nach Architektur unterscheidet man:

Sparse Retriever
Arbeiten lexikalisch mit Verfahren wie BM25.
Dense Retriever
Nutzen Embeddings und Ähnlichkeitssuche im Vektorraum.
Hybrid Retriever
Kombinieren lexikalische und semantische Verfahren.

Der Ablauf:

Verarbeitung der Anfrage.
Abgleich mit dem Dokumentindex.
Auswahl der Top-k-Kandidaten.
Übergabe an Re-Ranking oder ein Sprachmodell.

Der Retriever optimiert typischerweise auf hohen Recall, also die Wahrscheinlichkeit, relevante Dokumente in die Kandidatenmenge aufzunehmen.

Er entscheidet nicht final über die Reihenfolge, sondern über die Vorauswahl.

Strategische Bedeutung für SEO und AI-Search

In AI-Search-Systemen ist der Retriever die erste Sichtbarkeitsinstanz.

Implikationen für Generative Engine Optimization:

Inhalte müssen retrievable sein.
Semantische Klarheit erhöht Dense-Retrieval-Chancen.
Exakte Terminologie unterstützt Sparse-Retrieval.
Strukturierte Chunks verbessern Indexierbarkeit.

Wenn ein Dokument nicht in die Top-k-Kandidaten gelangt, kann es auch durch Re-Ranking nicht sichtbar werden.

Sichtbarkeit beginnt im Retrieval.

Beispiel

Anfrage:
„Was ist semantische Suche?“

Der Retriever durchsucht den Index und liefert die 20 relevantesten Dokument-Chunks zurück.
Erst danach bewertet ein Re-Ranking-Modell diese Kandidaten genauer.

Der Retriever bestimmt somit die Auswahlbasis.

Häufige Fragen zu Retriever

Was ist der Unterschied zwischen Retriever und Re-Ranker?

Der Retriever wählt Kandidaten aus einer großen Datenmenge aus. Der Re-Ranker ordnet diese Kandidaten präziser neu. Retrieval optimiert auf Recall, Re-Ranking auf Präzision.

Welche Arten von Retrievern gibt es?

Es gibt Sparse Retriever, Dense Retriever und hybride Varianten. Sparse Retriever basieren auf Wortübereinstimmung. Dense Retriever arbeiten mit Embeddings.

Warum ist der Retriever für RAG-Systeme entscheidend?

RAG-Systeme generieren Antworten auf Basis retrievter Kontexte. Wenn relevante Inhalte nicht gefunden werden, sinkt die Antwortqualität. Der Retriever bestimmt die Informationsbasis.

Beeinflusst Content-Struktur die Retrieval-Performance?

Ja, da klare Struktur und kohärente Chunks die Indexierung verbessern. Unstrukturierte Inhalte können diffuse Repräsentationen erzeugen. Struktur erhöht die Wahrscheinlichkeit relevanter Treffer.