[{"data":1,"prerenderedAt":694},["ShallowReactive",2],{"blog-mem0-de":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":13,"about":20,"sources":24,"cover":52,"og":53,"expertise":54,"locales":55,"lang":57,"title":59,"description":60,"coverAlt":61,"metaTitle":62,"takeaways":63,"faq":69,"toc":82,"blocks":107,"others":441},"mem0","2026-09-17",10,"rag",[9,10,11,12],"Agent memory","Long-term memory","RAG","Vector search",[4,14,15,16,17,18,19],"mem0 review","agent memory layer","mem0 self-hosted","mem0 pricing","long-term memory for agents","mem0 alternatives",[21],{"name":22,"url":23},"Mem0","https:\u002F\u002Fmem0.ai",[25,28,31,34,37,40,43,46,49],{"title":26,"url":27},"Mem0 documentation","https:\u002F\u002Fdocs.mem0.ai\u002Fintroduction",{"title":29,"url":30},"Mem0 quickstart","https:\u002F\u002Fdocs.mem0.ai\u002Fquickstart",{"title":32,"url":33},"How Mem0 works","https:\u002F\u002Fdocs.mem0.ai\u002Fcore-concepts\u002Fhow-it-works",{"title":35,"url":36},"Mem0 pricing","https:\u002F\u002Fmem0.ai\u002Fpricing",{"title":38,"url":39},"Mem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"title":41,"url":42},"mem0ai on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Fmem0ai\u002F",{"title":44,"url":45},"Mem0 research and benchmarks","https:\u002F\u002Fmem0.ai\u002Fresearch",{"title":47,"url":48},"Mem0 MCP server","https:\u002F\u002Fdocs.mem0.ai\u002Fplatform\u002Fmem0-mcp",{"title":50,"url":51},"Mem0 paper on arXiv","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.19413","\u002Fimages\u002Fblog\u002Fmem0\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmem0\u002Fog.jpg","ai-engineer",[56,57,58],"en","de","hu","Mem0: was eine Agent-Speicherschicht pro Runde kostet","Ein Review von Mem0: extrahierte Fakten pro Runde, die Benchmark-Tabelle vom April 2026 mit Plattform-Vorbehalt, vier Cloud-Stufen und die Lücken beim Self-Hosting.","Ein Ring aus vier Vierteln, jedes gibt ein kleines Quadrat auf einen Haufen über Scheiben.","Mem0-Test: Speicher mit Kosten pro Runde · Balázs Csorba",[64,65,66,67,68],"Mem0 macht aus Gespräch gespeicherte Fakten: Ein LLM extrahiert, dedupliziert und bettet sie ein, jeder Schreibvorgang kostet also einen Modellaufruf zusätzlich zum Speichern.","Der aktuelle Algorithmus erreicht auf LoCoMo 92,5 und auf LongMemEval 94,4, und das README sagt, dass diese Zahlen von der verwalteten Plattform stammen, nicht vom Open-Source-SDK.","Die Cloud-Stufen sind Hobby kostenlos, Starter für 19 Dollar im Monat und Pro für 249 Dollar im Monat; Graph Memory und Dream Consolidation sind erst ab Pro enthalten.","Die Open-Source-Retrieval hat keinen Graph Memory und verstärkt nur über Entitäts-Overlap, wer selbst hostet, kauft also die API und nicht die Benchmark-Tabellen.","Die kostenlose Stufe erlaubt 10.000 Add- und 1.000 Retrieval-Anfragen pro Monat, also rund 33 Suchanfragen am Tag.",[70,73,76,79],{"q":71,"a":72},"Ist Mem0 für Self-Hosting kostenlos?","Die Bibliothek steht unter Apache-2.0, und das README bietet einen docker-compose-Server mit standardmäßig eingeschalteter Authentifizierung, also keine Lizenzgebühr. Für die Extraktion braucht es weiterhin ein LLM, standardmäßig gpt-5-mini, und einen Vektorstore, standardmäßig Qdrant — die Kosten wandern zu Inferenz und Betrieb, nicht in ein Abo.",{"q":74,"a":75},"Mem0 oder eine Zusammenfassung des Transkripts in Postgres?","Wenn ein Produkt je Nutzer eine kurze Sitzung hat, sind eine rollierende Zusammenfassung und eine Faktentabelle günstiger, leichter zu prüfen und ohne Extraktionsschritt, der einen Fakt erfinden kann. Mem0 lohnt sich, wenn Erinnerungen Sitzungen überdauern, je Nutzer, Agent und Lauf gefiltert werden müssen und auf dem Hot Path jeder Anfrage gelesen werden.",{"q":77,"a":78},"Reicht die Open-Source-Version für die veröffentlichten Benchmark-Werte?","Nein, und das Repositorium sagt das: die Zahlen spiegeln die verwaltete Plattform, die proprietäre Optimierungen enthält, die es im Open-Source-SDK nicht gibt. Open-Source-Retrieval besitzt keinen Graph Memory und hängt vom konfigurierten Vektorstore ab.",{"q":80,"a":81},"Wie erreicht Mem0 einen Agenten, der bereits MCP spricht?","Über einen gehosteten Server auf mcp.mem0.ai per HTTPS mit elf Werkzeugen, darunter add_memory, search_memories, update_memory und delete_memory. Er authentifiziert über einen Browser-Sign-in oder einen als Bearer-Token gesendeten API-Key, und auf der Maschine des Entwicklers läuft nichts.",[83,86,89,92,95,98,101,104],{"id":84,"title":85},"what-it-is","Was es ist",{"id":87,"title":88},"how-it-works","Wie es funktioniert",{"id":90,"title":91},"getting-started","Erste Schritte",{"id":93,"title":94},"benchmarks","Benchmarks",{"id":96,"title":97},"pricing","Preise",{"id":99,"title":100},"where-it-shingles","Wo es hakt",{"id":102,"title":103},"verdict","Fazit",{"id":105,"title":106},"sources","Quellen",[108,112,115,118,130,148,149,152,158,161,162,177,179,186,197,198,201,258,261,271,272,275,320,323,324,327,373,376,381,382,385,397,401,402],{"type":109,"content":110},"paragraph",[111],"Mem0 ist eine Speicherschicht für Agenten: Gespräch hinein, Fakten heraus, und die Fakten werden vor dem nächsten Modellaufruf zurückgeholt. Die hier vertretene Position ist, dass es die sorgfältigste Memory-API dieses Marktes und zugleich eine schlechte Wahl ist, denn ein LLM-Aufruf sitzt auf dem Schreibpfad — Erinnern wird pro Runde abgerechnet, nicht pro Nutzer. Es lohnt sich, wenn Erinnerungen Sitzungen überdauern und je Nutzer, Agent und Lauf gefiltert werden müssen; eine rollierende Zusammenfassung mit einer Tabelle ist besser, wenn das nicht der Fall ist.",{"type":109,"content":113},[114],"Es sitzt zwischen Anwendung und Modell, ersetzt das Anhängen von Transkript an den Prompt und konkurriert mit Zep, LangMem, Letta und dem, was Teams aus einer Datenbank und einem Zusammenfassungsschritt bauen. Geliefert wird in drei Formen unter einer API: eine Bibliothek unter Apache-2.0, ein selbst gehosteter Server hinter docker compose mit standardmäßig eingeschalteter Authentifizierung und eine gehostete Plattform mit Dashboard, metered Tarifen und MCP-Endpunkt.",{"type":116,"level":117,"id":84,"text":85},"heading",2,{"type":109,"content":119},[120,121,125,126,129],"Zwei Produkte tragen denselben Namen. Das Open-Source-Repositorium ist die ",{"tag":122,"children":123},"code",[124],"mem0ai","-Bibliothek für Python und JavaScript, eingebettet in einen Prozess; die Plattform ist eine gehostete API mit Scopes, Tarifen und Dashboard, die dasselbe SDK über HTTPS unter ",{"tag":122,"children":127},[128],"api.mem0.ai"," erreicht. Die Homepage führte Anfang Oktober 2026 62.590 GitHub-Stars auf.",{"type":131,"ordered":132,"items":133},"list",false,[134,136,138,140,142,144,146],[135],"Auf PyPI als mem0ai, Version 2.2.1, unter Apache-2.0 veröffentlicht, mit einem passenden JavaScript-Paket.",[137],"Drei Betriebsmodi im README: Bibliothek für einen Prototyp, ein docker-compose-Server mit standardmäßig eingeschalteter Authentifizierung für ein Team und die Cloud-Plattform ohne Betriebsaufwand.",[139],"Die Operationen sind add, search, get_all, update und delete, jede mit user_id, agent_id, app_id oder run_id als Scope.",[141],"Schreibvorgänge werden abgeleitet: Ein LLM extrahiert dauerhafte Fakten, dedupliziert und bettet sie ein; infer=False speichert die Rohmeldung stattdessen.",[143],"Voreinstellungen sind gpt-5-mini für die Extraktion und text-embedding-3-small für die Einbettungen, mit Qdrant als mitgeliefertem Vektorstore.",[145],"Gehosteter MCP-Server auf mcp.mem0.ai mit elf Speicherwerkzeugen, authentifiziert über Browser-Sign-in oder einen API-Key als Bearer-Token.",[147],"Compliance laut Homepage: SOC 2 Typ 1, HIPAA und GDPR, mit BYOK und On-Premises-Deployment in der Enterprise-Stufe.",{"type":116,"level":117,"id":87,"text":88},{"type":109,"content":150},[151],"Die Pipeline ist asymmetrisch, und diese Asymmetrie ist das Produkt. Beim Add sucht Mem0 verwandte Erinnerungen, damit derselbe Fakt nicht doppelt gespeichert wird, extrahiert neue Fakten mit einem LLM, dedupliziert und bettet sie ein, zieht Entitäten heraus und schreibt in einen SQL-Store für Fakten, einen Vektorstore für Einbettungen und einen Entitätsstore für Verbindungen. Beim Search werden vier Signale bewertet und verschmolzen: semantische Ähnlichkeit, Keyword-Matching, Entitäts-Overlap und ein Zeit-Signal aus den Metadaten der Extraktionszeit.",{"type":153,"src":154,"alt":155,"wide":156,"caption":157},"image","\u002Fimages\u002Fblog\u002Fmem0\u002Fdiagram-7.webp","How a memory is written and read A conversation box on the left feeds an extraction box in the middle, labelled one LLM call and ADD only, which produces facts rather than transcripts. An arrow continues to a deduplicate box that embeds the facts and links entities. From there the flow fans out into three stores: a SQL store for facts and metadata, a vector store for embeddings, and an entity store for boosting. The three stores merge into a search box at the bottom, labelled semantic, keyword, entity and time. A long return arrow runs from the search box back to the conversation box, labelled memories into the prompt, which closes the loop. A label at the top right reads one model call on the write path.",true,"Fakten werden pro Add einmal extrahiert und über einen gefilterten Search zurückgeholt; die Open-Source-Version hat keinen Entitäts-Graphen, ihr Entitäts-Signal ist Overlap auf extrahierten Begriffen.",{"type":109,"content":159},[160],"Die Dokumentation sagt klar, was daraus folgt: Die Plattform verschmilzt alle vier Signale mit Graph-gestütztem Entity Matching, die Open-Source-Version hat keinen Graph Memory und verstärkt nur über den Entitäts-Overlap, abhängig vom konfigurierten Vektorstore. Die Extraktion ist zudem additiv — ein neuer Fakt überschreibt keinen alten stillschweigend —, Korrekturen brauchen also explizite Update- oder Delete-Aufrufe. Für ein Audit-Log der richtige Standard, für einen Nutzer, der gerade umgedacht hat, ärgerlich.",{"type":116,"level":117,"id":90,"text":91},{"type":109,"content":163},[164,165,168,169,172,173,176],"Der gehostete Weg besteht aus zwei Aufrufen. SDK installieren, API-Key im Dashboard holen und jedem Aufruf einen Scope geben: Eine Erinnerung ohne ",{"tag":122,"children":166},[167],"user_id",", ohne ",{"tag":122,"children":170},[171],"agent_id"," und ohne ",{"tag":122,"children":174},[175],"run_id"," bekommt der Nächste, der danach fragt.",{"type":122,"code":178},"from mem0 import MemoryClient\n\nclient = MemoryClient(api_key=\"your-api-key\")\n\nmessages = [\n    {\"role\": \"user\", \"content\": \"I'm a vegetarian and allergic to nuts.\"},\n    {\"role\": \"assistant\", \"content\": \"Noted.\"},\n]\nclient.add(messages, user_id=\"user123\")\n\nresults = client.search(\n    \"What are my dietary restrictions?\",\n    filters={\"user_id\": \"user123\"},\n)\nfor r in results[\"results\"]:\n    print(r[\"memory\"], r[\"score\"])",{"type":109,"content":180},[181,182,185],"Die Open-Source-Bibliothek hat dieselbe Form und keinen Server dahinter: ",{"tag":122,"children":183},[184],"from mem0 import Memory",", dann add, search, update und delete gegen Stores, die man selbst betreibt. Vor dem ersten Aufruf braucht sie einen LLM-Key und einen Vektorstore — das ist der eigentliche Unterschied zwischen beiden Hälften: Die Bibliothek ist Apache-2.0, und die Retrieval-Qualität der Benchmark-Tabellen lebt auf der Plattform.",{"type":187,"variant":188,"title":189,"body":190},"callout","note","Was der Schreibpfad kostet",[191],[192,193,196],"Die Extraktion läuft bei jedem ",{"tag":122,"children":194},[195],"add",": Ein Chat-Produkt, das pro Runde speichert, zahlt für den Schreibvorgang einen Modellaufruf und eine Einbettung, zusätzlich zum ohnehin nötigen Retrieval. Die Zahl, die man beobachten sollte, ist deshalb nicht die des Tarifs, sondern die Kosten pro Gespräch. Die Docs warnen außerdem, keine Secrets und keine ungeschönten sensiblen Daten zu speichern, weil der Store genau dafür da ist, abgefragt zu werden.",{"type":116,"level":117,"id":93,"text":94},{"type":109,"content":199},[200],"Mem0 veröffentlicht eigene Zahlen, mehr als die meisten Speicherschichten, und das README beschreibt die Methode: Retrieval in einem Durchlauf, ein Aufruf ohne agentischen Loop, ein Retrieval-Budget von 200 Treffern, auf demselben produktionsnahen Modell-Stack.",{"type":202,"head":203,"rows":214},"table",[204,206,208,210,212],[205],"Benchmark",[207],"Vor April 2026",[209],"Aktueller Wert",[211],"Tokens pro Abfrage",[213],"p50-Latenz",[215,226,237,248],[216,218,220,222,224],[217],"LoCoMo",[219],"71,4",[221],"92,5",[223],"7,0K",[225],"0,88 s",[227,229,231,233,235],[228],"LongMemEval",[230],"67,8",[232],"94,4",[234],"6,8K",[236],"1,09 s",[238,240,242,244,246],[239],"BEAM, 1M Tokens",[241],"nicht veröffentlicht",[243],"64,1",[245],"6,7K",[247],"1,00 s",[249,251,252,254,256],[250],"BEAM, 10M Tokens",[241],[253],"48,6",[255],"6,9K",[257],"1,05 s",{"type":109,"content":259},[260],"Der Vorbehalt steht im selben Absatz: Diese Werte spiegeln die verwaltete Plattform, die proprietäre Optimierungen trägt, die es im Open-Source-SDK nicht gibt; Open-Source-Nutzer sollen mit in die Richtung gehenden, nicht identischen Zahlen rechnen. Das dahinterliegende Paper, im April 2025 auf arXiv veröffentlicht, nennt 91% niedrigere p95-Latenz und mehr als 90% Token-Ersparnis gegenüber Full-Context-Prompting auf LoCoMo, 26% relative Verbesserung im LLM-as-a-Judge gegenüber OpenAI Memory und etwa 2% mehr durch die Graph-Variante.",{"type":187,"variant":262,"title":263,"body":264},"warn","Eine Anbieter-Tabelle ist kein Vergleich",[265],[266,267,270],"Wer Mem0 aufgrund dieser Zeilen gegenüber Zep oder einer Zusammenfassung im Prompt bevorzugt, vergleicht die Plattform eines Anbieters mit dem eigenen Stack. Der Teil, der sich zu reproduzieren lohnt, ist das veröffentlichte Evaluierungs-Framework ",{"tag":122,"children":268},[269],"mem0ai\u002Fmemory-benchmarks",".",{"type":116,"level":117,"id":96,"text":97},{"type":109,"content":273},[274],"Die Preisseite misst zwei Zähler, Add-Anfragen und Retrieval-Anfragen, und Endnutzer sind auf jeder Stufe unbegrenzt. Die folgenden Werte sind das, was die Seite Anfang Oktober 2026 zeigte; nutzungsbasierte Preise gibt es für Traffic, der in keinen Tarif passt.",{"type":202,"head":276,"rows":285},[277,279,281,283],[278],"Tarif",[280],"Preis",[282],"Add-Anfragen pro Monat",[284],"Retrieval-Anfragen pro Monat",[286,295,304,312],[287,289,291,293],[288],"Hobby",[290],"Kostenlos",[292],"10.000",[294],"1.000",[296,298,300,302],[297],"Starter",[299],"19 Dollar pro Monat",[301],"50.000",[303],"5.000",[305,307,309,311],[306],"Pro",[308],"249 Dollar pro Monat",[310],"500.000",[301],[313,315,317,319],[314],"Enterprise",[316],"Individuell",[318],"Unbegrenzt",[318],{"type":109,"content":321},[322],"Zwei Funktionen, die das Marketing tragen — Graph Memory für das Verknüpfen von Entitäten und Dream Consolidation — stehen unter Pro und Enterprise, nicht in den kostenlosen Stufen, und die eigene Vergleichstabelle im README nennt die fortgeschrittenen Funktionen des selbst gehosteten Servers Teaser. Die 1.000 Retrievals der Hobby-Stufe entsprechen rund 33 Suchanfragen am Tag: genug, um eine Integration zu beweisen, nicht genug, um ein Produkt zu betreiben.",{"type":116,"level":117,"id":99,"text":100},{"type":109,"content":325},[326],"Die Schwächen sind strukturell, nicht kosmetisch. Jeder Add ist ein Modellaufruf, also wachsen Schreiblatenz und Token-Rechnung mit dem Gesprächsvolumen, und der Extraktionsschritt kann eine Ableitung speichern, die der Nutzer nie gesagt hat — ein abgeleiteter Fakt ist schwerer zu prüfen als eine protokollierte Nachricht. Die Funktionen, die Mem0 interessant machen, liegen auf der Plattform; Open-Source-Version und bezahltes Produkt teilen sich eher den Namen als den Funktionsumfang. Lock-in ist real, aber moderat: Erinnerungen sind Zeilen, die sich über die API zurücklesen lassen, und für den Umstieg auf die v3-API gibt es eine veröffentlichte Migrationsanleitung.",{"type":202,"head":328,"rows":337},[329,331,333,335],[330],"Option",[332],"Speichermodell",[334],"Betriebsaufwand",[336],"Wofür geeignet",[338,346,355,364],[339,340,342,344],[22],[341],"Extrahierte Fakten, gefiltert nach Nutzer, Agent und Lauf",[343],"Eine Bibliothek zum Betreiben oder eine Plattform zum Bezahlen",[345],"Personalisierung über Sitzungen hinweg mit bekanntem Kosten pro Gespräch",[347,349,351,353],[348],"Zep mit Graphiti",[350],"Temporärer Wissensgraph aus Episoden",[352],"Ein Graph-Store und seine Pflege",[354],"Beziehungsreiche Erinnerung, bei der die zeitliche Reihenfolge zählt",[356,358,360,362],[357],"LangMem",[359],"Memory Stores und semantische Suche im LangChain-Stack",[361],"Teil der LangChain-Werkzeuge",[363],"Teams, die schon auf LangChain setzen",[365,367,369,371],[366],"Eine Faktentabelle",[368],"Selbst geschriebene Zeilen plus pgvector",[370],"Eigenes SQL und ein Zusammenfassungs-Prompt",[372],"Kurzlebige Erinnerung und strenge Audit-Anforderungen",{"type":109,"content":374},[375],"Welche davon passt, hängt davon ab, wie viel Speicher das Produkt braucht, nicht davon, welche Zeile auf LoCoMo am höchsten steht. Ein Support-Agent mit ein paar dutzend dauerhaften Fakten pro Konto braucht keine Speicherschicht; ein Assistent mit einem Jahr Historie kann es sich nicht leisten, das Transkript neu zu lesen.",{"type":187,"variant":262,"title":377,"body":378},"Die Lücke zwischen SDK und Plattform",[379],[380],"Graph Memory, zeitliches Ranking und das verschmolzene Entitäts-Signal sind Plattform-Funktionen. Eine selbst gehostete Installation bekommt Vektorsuche, Keyword-Matching und Entitäts-Overlap; ein Team, das selbst betreibt, sollte das Produkt an diesem Funktionsumfang ausrichten und nicht an den Benchmark-Tabellen.",{"type":116,"level":117,"id":102,"text":103},{"type":109,"content":383},[384],"Übernehmen, wenn Speicher eine Produktfunktion ist, die Sitzungen überdauert, und sich der Modellaufruf auf dem Schreibpfad in das Produkt einrechnen lässt. Weglassen, wenn der Kontext einer Sitzung in eine Zusammenfassung passt oder jeder gespeicherte Fakt eine vom Menschen prüfbare Herkunft braucht, weil das Inferieren beim Schreiben hier die Konstruktion ist und kein Nebeneffekt.",{"type":131,"ordered":156,"items":386},[387,389,391,393,395],[388],"Mit der Bibliothek anfangen: dieselbe API-Form, und der Wechsel zur Plattform bleibt offen.",[390],"Jeden Aufruf scopen. Eine ungeschöpfte Erinnerung ist der einzige Fehlermodus, der Nutzer überschreitet.",[392],"Den Schreibpfad vor dem Tarif budgetieren: ein Extraktionsaufruf pro Add ist das Kostenmodell, was der Plan auch kostet.",[394],"Die Plattform nehmen für Graph Memory, zeitliches Ranking und verschmolzenes Retrieval — das, was die Open-Source-Version nicht hat.",[396],"Niemals Secrets oder ungeschönte personenbezogene Daten speichern; Retrieval ist dafür gemacht, den Inhalt des Stores sichtbar zu machen.",{"type":398,"content":399},"quote",[400],"Avoid storing secrets, raw credentials, or unredacted sensitive data. Mem0 is designed to retrieve stored context.",{"type":116,"level":117,"id":105,"text":106},{"type":131,"ordered":156,"items":403},[404,409,413,417,421,425,429,433,437],[405],{"tag":406,"href":27,"children":407},"a",[408],"Mem0-Dokumentation",[410],{"tag":406,"href":30,"children":411},[412],"Mem0-Quickstart",[414],{"tag":406,"href":33,"children":415},[416],"Wie Mem0 funktioniert",[418],{"tag":406,"href":36,"children":419},[420],"Mem0-Preise",[422],{"tag":406,"href":39,"children":423},[424],"Mem0 auf GitHub",[426],{"tag":406,"href":42,"children":427},[428],"mem0ai auf PyPI",[430],{"tag":406,"href":45,"children":431},[432],"Mem0-Forschung und Benchmarks",[434],{"tag":406,"href":48,"children":435},[436],"Mem0-MCP-Server",[438],{"tag":406,"href":51,"children":439},[440],"Mem0-Paper auf arXiv",[442,516,575,633],{"slug":443,"published":444,"minutes":445,"category":7,"tags":446,"keywords":450,"about":463,"sources":473,"cover":510,"og":511,"expertise":54,"locales":512,"lang":57,"title":513,"description":514,"coverAlt":515},"embedding-model-selection-2026","2026-10-17",9,[447,11,448,12,449],"Embeddings","MTEB","Model selection",[451,452,453,454,455,456,457,458,459,460,461,462],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[464,467,470],{"name":465,"url":466},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":468,"url":469},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",{"name":471,"url":472},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[474,477,480,483,486,489,492,495,498,501,504,507],{"title":475,"url":476},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":478,"url":479},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":481,"url":482},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":484,"url":485},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":487,"url":488},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":490,"url":491},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":493,"url":494},"Voyage AI: Pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":496,"url":497},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":499,"url":500},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":502,"url":503},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":505,"url":506},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":508,"url":509},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[56,57,58],"Embedding-Modell wählen 2026: Leaderboards, Kosten und ein Vergleichstest mit eigenen Daten","Wie man 2026 ein Embedding-Modell für RAG wählt: was MTEB und RTEB aussagen, API oder offene Gewichte, Preise, Dimensionen und ein einwöchiger Vergleichstest.","Drei Säulen aus gestapelten Blöcken, die mittlere am höchsten, jede mit kurzem Balken und weiter Klammer.",{"slug":517,"published":444,"minutes":6,"category":7,"tags":518,"keywords":522,"about":534,"sources":544,"cover":569,"og":570,"expertise":54,"locales":571,"lang":57,"title":572,"description":573,"coverAlt":574},"contextual-retrieval-late-chunking",[11,519,447,520,521],"Chunking","Contextual retrieval","Late chunking",[523,524,525,526,527,528,529,530,531,532,533],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[535,538,541],{"name":536,"url":537},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",{"name":539,"url":540},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",{"name":542,"url":543},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[545,548,551,554,557,560,563,566],{"title":546,"url":547},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":549,"url":550},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":552,"url":553},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":555,"url":556},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":558,"url":559},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":561,"url":562},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":564,"url":565},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":567,"url":568},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[56,57,58],"Contextual Retrieval und Late Chunking: RAG-Chunks ihren Kontext zurückgeben","Chunks verlieren ihr Dokument. Wie Contextual Retrieval, Late Chunking und kontextuelle Embeddings das beheben, was sie kosten, wann man verzichtet.","Vier lose Quadrate, unten von einer breiten Klammer gebündelt und je nach oben mit einer großen Fläche verbunden.",{"slug":576,"published":444,"minutes":445,"category":7,"tags":577,"keywords":581,"about":594,"sources":602,"cover":627,"og":628,"expertise":54,"locales":629,"lang":57,"title":630,"description":631,"coverAlt":632},"rag-access-control-permissions",[11,578,579,580,12],"Access control","Security","Multi-tenancy",[582,583,584,585,586,587,588,589,590,591,592,593],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[595,598,601],{"name":596,"url":597},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":599,"url":600},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":536,"url":537},[603,606,609,612,615,618,621,624],{"title":604,"url":605},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":607,"url":608},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":610,"url":611},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":613,"url":614},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":616,"url":617},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":619,"url":620},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":622,"url":623},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":625,"url":626},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[56,57,58],"Zugriffskontrolle für RAG: berechtigungsbewusstes Retrieval ohne Datenlecks","Wie RAG-Assistenten Dokumente preisgeben und wie man das stoppt: ACLs an jedem Chunk, Vorfilter, Row-Level Security in pgvector, Rechte-Sync und Lecktests.","Sieben Karten in einer Reihe, sechs mit Schloss, eine leere Karte schickt einen Pfeil nach außen.",{"slug":634,"published":444,"minutes":6,"category":7,"tags":635,"keywords":640,"about":652,"sources":660,"cover":687,"og":688,"expertise":689,"locales":690,"lang":57,"title":691,"description":692,"coverAlt":693},"rag-product-catalog-pim-data",[11,636,637,638,639],"PIM","Product data","B2B e-commerce","Metadata filtering",[641,642,643,644,645,646,647,648,649,650,651],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[653,656,657],{"name":654,"url":655},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":536,"url":537},{"name":658,"url":659},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[661,664,667,670,672,675,678,681,684],{"title":662,"url":663},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":665,"url":666},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":668,"url":669},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":671,"url":659},"ETIM International: Classification",{"title":673,"url":674},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":676,"url":677},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":679,"url":680},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":682,"url":683},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":685,"url":686},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[56,57,58],"RAG über Produktkataloge: aus PIM-Daten Antworten machen, die halten","Produktdaten sind strukturiert, Chunking wie bei PDFs scheitert. So serialisiert man PIM-Attribute, leitet Spezifikationsfragen an Filter und bleibt exakt.","Ein Rahmen aus neun Feldern mit kleinen Symbolen, darunter ein Trichter zu einer einzelnen Karte.",1792261157486]