Blog/Schlagwort
9 Artikel mit dem Schlagwort Embeddings, neueste zuerst. Jeder ist belegt und für Leute geschrieben, die Software ausliefern.
Retrieval & Suche
·9 Min. Lesezeit
Embedding-Modell 2026 für RAG wählen: was MTEB und RTEB aussagen, API oder offene Gewichte, Preise, Dimensionen und ein einwöchiger Test mit eigenen Daten.
Retrieval & Suche
·10 Min. Lesezeit
Chunks verlieren ihr Dokument. Wie Contextual Retrieval, Late Chunking und kontextuelle Embeddings das beheben, was sie kosten, wann man verzichtet.
Retrieval & Suche
·7 Min. Lesezeit
RAG über deutsche und ungarische Inhalte: mehrsprachige Embeddings, Komposita, Stemming, Akzente und Evaluation pro Sprache.
LLMOps & Evals
·6 Min. Lesezeit
Wie semantische Caches LLM-Antworten für ähnliche Fragen wiederverwenden, was sie vom Prompt-Caching trennt, wie man falsche Treffer und Lecks vermeidet.
Retrieval & Suche
·5 Min. Lesezeit
Wie Binär- und int8-Quantisierung und Matryoshka-Kürzung Vektorindizes 4- bis 32-mal verkleinern, was das an Recall kostet und wie Rescoring es zurückholt.
Retrieval & Suche
·8 Min. Lesezeit
Wie Coding-Agenten Code finden: AST-Chunking mit tree-sitter, Repo-Maps, Merkle-Tree-Sync, Code-Embedding-Modelle 2026 und wann grep einen Index schlägt.
Retrieval & Suche
·8 Min. Lesezeit
Embeddings für die eigene Domäne feintunen: wann das einen Reranker schlägt, Trainingspaare, Hard Negatives, Losses in sentence-transformers v6 und Kosten.
Retrieval & Suche
·10 Min. Lesezeit
Chroma im Test: eine Apache-2.0-Vektordatenbank, eingebettet, als Einzelknoten oder Cloud. Wo sie angenehm ist und wo die Suche an der Cloud-Grenze endet.
Retrieval & Suche
·11 Min. Lesezeit
Pinecone im Test: Read Units wachsen mit der Namespace-Größe, ein Schema ist nachträglich nicht änderbar, und wo eine eigene Vektordatenbank besser passt.