API-Glossar

A

Absichtsklassifizierung

Die Absichtsklassifizierung ist die Aufgabe der natürlichen Sprachverarbeitung, aus der Eingabe eines Benutzers zu ermitteln, was dieser erreichen möchte, indem eine Anfrage oder Nachricht einer aus einer Reihe vordefinierter Absichtskategorien zugeordnet wird. Sie beantwortet die Frage: “Was möchte diese Person?” (zum Beispiel, ob eine Suchanfrage informationell, navigational oder transaktional ist, oder ob eine Chatbot-Nachricht eine Begrüßung, eine Beschwerde oder eine Bitte um eine Reservierung ist).

Agentische Suche

Agentische Suche ist ein Abrufansatz, bei dem ein KI-Agent (typischerweise angetrieben von einem umfangreichen Sprachmodell) aktiv einen mehrstufigen Suchprozess plant und durchführt, anstatt eine einzelne, statische Abfrage vorzunehmen. Der Agent zerlegt eine Query, entscheidet, welche Quellen oder Tools zu konsultieren sind, führt mehrere Suchen durch, bewertet das Gefundene und verfeinert seinen Ansatz in einer Schleife, bis er genügend Informationen für eine Antwort gesammelt hat.

C

Chunking

Chunking ist der Prozess, ein großes Dokument oder einen Textkörper in kleinere, in sich geschlossene Segmente (sogenannte „Chunks“) aufzuteilen, sodass sie einzeln eingebettet, indexiert und abgerufen werden können. Bei Retrieval-Augmented Generation (RAG) und semantischer Suche bestimmt Chunking die Texteinheit, die ein System speichert und später als Kontext wieder abruft. Dies wiederum beeinflusst direkt, wie relevant und vollständig die abgerufenen Ergebnisse sind.

Crawl-Budget

Das Crawl-Budget ist das Ausmaß des Crawlings, das eine Suchmaschine oder ein Bot innerhalb eines bestimmten Zeitraums auf einer gegebenen Site durchführt (praktisch die Menge der URLs, die er sowohl abrufen kann als auch abrufen will). Oft ergibt sich dies aus der Kombination zweier Faktoren: Crawl-Kapazität (wie viel der Server einer Site verarbeiten kann, ohne langsamer zu werden) und Crawl-Nachfrage (wie viel der Crawler tatsächlich abrufen möchte, basierend auf der Beliebtheit einer Site und der Häufigkeit ihrer Inhaltsänderungen). Bei großen oder häufig aktualisierten Sites bestimmt das Crawl-Budget, wie schnell neue und geänderte Seiten entdeckt werden.

E

Entitätsextraktion

Die Entitätsextraktion ist die Aufgabe der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), bei der automatisch bedeutsame im Text erwähnte Dinge identifiziert und jeweils nach Typ gekennzeichnet werden. Zu diesen Dingen können Personen, Organisationen, Orte, Daten, Produkte und andere domänenrelevante Entitäten gehören. In vielen Systemen ist die Erkennung benannter Entitäten (Named Entity Recognition, NER) ein zentraler Bestandteil der Entitätsextraktion, doch die Entitätsextraktion kann je nach Schema und Anwendungsfall auch umfassender sein.

F

Funktionsaufruf

Funktionsaufruf ist eine Fähigkeit, die es einem umfangreichen Sprachmodell (LLM) ermöglicht, die Nutzung eines externen Tools, einer API oder eines Codestücks anzufordern, indem es einen strukturierten, maschinenlesbaren Aufruf erzeugt, anstatt einer reinen Textantwort. Das Modell führt den Code nicht selbst aus; es entscheidet, welche Funktion mit welchen Argumenten aufgerufen werden soll, während die Anwendung diese Funktion dann ausführt, und das Ergebnis wird an das Modell zurückgegeben, um es in seine endgültige Antwort einzubinden. Funktionsaufruf wird oft gleichbedeutend mit “Tool-Nutzung” oder Tool-Aufruf verwendet, obwohl er sich streng genommen auf entwicklerdefinierte Funktionen bezieht, eine Teilmenge des breiteren Tool-Aufruf-Musters.

G

Großes Sprachmodell (LLM)

Ein großes Sprachmodell (LLM) ist ein Modell der künstlichen Intelligenz, das anhand riesiger Textmengen trainiert wurde, um menschliche Sprache zu verstehen und zu erzeugen. Es lernt die statistischen Muster der Sprache, sodass es den nächsten Textbaustein in einer Sequenz vorhersagen und erzeugen kann, was ihm (bei ausreichender Größe) ermöglicht, Fragen zu beantworten, zusammenzufassen, zu übersetzen, Code zu schreiben und ein Gespräch zu führen.

H

Halluzination

Eine Halluzination ist eine Ausgabe eines KI-Modells (insbesondere eines umfangreichen Sprachmodells), die falsch, erfunden oder ungegründet ist, aber dennoch flüssig und selbstbewusst so präsentiert wird, als wäre sie wahr. („Ungegründet“ bedeutet in diesem Fall, dass die Ausgabe nicht durch die Trainingsdaten des Modells oder die ihm zur Verfügung gestellten Quellen gestützt wird.) Halluzinationen reichen von erfundenen Zitaten und gefälschten Statistiken bis hin zu plausibel klingenden Details, die keine Quelle tatsächlich stützt, und können auch entstehen, wenn ein Modell veraltete oder unvollständige Quellen falsch liest, falsch zuordnet oder überverallgemeinert.

Hybride Suche

Die hybride Suche ist ein Retrieval-Ansatz, der Schlüsselwortsuche (lexikalische Suche) und semantische Suche (Vektorsuche) als zwei sich ergänzende Methoden kombiniert, wobei die Ergebnisse anschließend zu einer einzigen Rangliste zusammengeführt werden. Durch die gleichzeitige Ausführung beider Methoden kombiniert die hybride Suche exakte Begriffsübereinstimmungen (worin die Schlüsselwortsuche gut ist) mit bedeutungsbasierten Übereinstimmungen (worin die semantische Suche gut ist). Bei gemischten Abfragelasten verbessert dies häufig die Robustheit des Retrievals im Vergleich zur Verwendung nur einer der beiden Methoden.

K

KI-Web-Crawler

Ein KI-Web-Crawler ist ein automatisierter Bot, der Webseiten abruft, damit die abgerufenen Inhalte KI-Systeme unterstützen können. Zu den gängigen nachgelagerten Verwendungen gehören das Training von umfangreichen Sprachmodellen (LLMs), das Betreiben von Abrufindizes für KI-Antwortmaschinen und das Aktualisieren von Inhalten, die zur Beantwortung von Nutzer-Queries verwendet werden. Anders als bei der engsten Definition eines herkömmlichen Suche-Crawlers (der sich auf das Ranking von Seiten und die Erzeugung von Klick-Traffic konzentriert) wird KI-orientiertes Crawling in der Regel im Hinblick darauf diskutiert, wie abgerufene Inhalte über Workflows hinweg sowohl für Modelle als auch für Antworten wiederverwendet werden.

Kontextfenster

Ein Kontextfenster ist die maximale Textmenge (gemessen in Tokens), die ein Sprachmodell gleichzeitig berücksichtigen kann. Es umfasst alles, womit das Modell in einer einzelnen Konversation arbeitet: die Systemanweisungen, den Prompt des Benutzers, jede Konversationshistorie, alle abgerufenen Dokumente und die Antwort, die das Modell generiert. Sobald der kombinierte Text das Fenster überschreitet, kann das Modell den Überlauf nicht mehr “sehen”, sodass das älteste oder am wenigsten relevante Material verworfen, zusammengefasst oder bei Bedarf abgerufen werden muss.

Konversationelle Suche

Die konversationelle Suche ist ein Ansatz zur Informationsbeschaffung, bei dem eine Person Informationen durch einen wechselseitigen Dialog in natürlicher Sprache findet, anstatt durch eine einzelne Schlüsselwortsuche. Das System interpretiert jede Anfrage im Kontext des bisherigen Gesprächs, erinnert sich an vorherige Gesprächsschritte, löst Folgefragen auf und verfeinert die Ergebnisse im weiteren Verlauf des Austauschs. Dadurch können Menschen so suchen, als würden sie mit einem sachkundigen Menschen sprechen.

L

Latenz

Latenz ist die Verzögerung zwischen einer Anfrage und der zugehörigen Antwort – im Grunde, wie lange ein Benutzer oder ein System auf Ergebnisse wartet. In der KI-Suche und in Anwendungen mit Sprachmodellen bezeichnet sie üblicherweise die Zeit vom Senden einer Query bis zum Erhalt einer Antwort und ist ein zentrales Maß dafür, wie reaktionsschnell und benutzbar sich ein System anfühlt.

P

Programmierbare Suchmaschine

Eine programmierbare Suchmaschine ist eine Suchmaschine, die Entwickler über Code und nicht nur über eine verbraucherorientierte Website konfigurieren und abfragen. Dies ermöglicht Entwicklern, die Suche direkt in ihre eigenen Anwendungen einzubauen, ihr Verhalten zu steuern und Ergebnisse in strukturierter, maschinenlesbarer Form zu erhalten. Der Begriff „programmierbare Suchmaschine“ beschreibt allgemeiner jede Suchmaschine, die für die programmatische Nutzung bereitgestellt wird, typischerweise über eine Such-API.

Q

Quellenattribuierung

Quellenattribuierung ist die Praxis, die ursprünglichen Quellen hinter einer Information zu identifizieren und ihnen die entsprechende Anerkennung zuzuweisen, sodass ein Leser nachvollziehen kann, wo eine Aussage ihren Ursprung hat. Bei der KI-Suche und Answer Engines bedeutet das, generierte Antworten mit Zitaten zu verknüpfen (Links oder Verweise zurück zu den konkreten Seiten und Passagen, auf die sich die Antwort stützt), anstatt Schlussfolgerungen ohne nachvollziehbaren Ursprung zu präsentieren.

R

Rate Limiting

Rate Limiting ist die Praxis, zu begrenzen, wie viele Anfragen ein Client (oft eine App auf einem Computer oder Mobilgerät) innerhalb eines festgelegten Zeitraums an einen Dienst stellen kann. Wenn ein Client das Limit überschreitet, lehnt der Dienst weitere Anfragen ab oder verzögert sie (in der Regel durch eine HTTP-429-Antwort „Too Many Requests“), bis das Zeitfenster zurückgesetzt wird. Rate Limiting schützt einen Dienst vor Überlastung, gewährleistet einen fairen Zugriff für alle Nutzer und setzt die Nutzungsstufen durch, die viele APIs verkaufen.

Reranking

Reranking ist ein Prozess der zweiten Stufe, der eine anfängliche Liste von Suchergebnissen neu anordnet, um die relevantesten zuerst zu platzieren. Ein schneller Retriever der ersten Stufe zieht eine breite Menge an Kandidatenergebnissen heran, und der Reranker bewertet dann jeden Kandidaten sorgfältiger anhand der Query (mithilfe eines langsameren, aber genaueren Modells) und sortiert sie nach dieser Bewertung. Reranking ist der Präzisionsschritt, der auf den Recall-Schritt folgt.

Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation (RAG) ist eine Technik, die die Antworten eines Sprachmodells verbessert, indem relevante Informationen aus einer externen Quelle abgerufen und dem Modell als Kontext bereitgestellt werden, bevor es eine Antwort generiert. Anstatt sich ausschließlich auf das im Training Gelernte zu verlassen, antwortet das Modell anhand von Dokumenten, die zum Zeitpunkt der Query abgerufen werden, sodass seine Ausgabe aktuell, spezifisch und in echten Quellen verankert sein kann.

Retrieval-Score

Ein Retrieval-Score ist eine Zahl, die ein Such- oder Retrieval-System jedem Kandidatenergebnis zuweist und die ausdrückt, wie relevant oder ähnlich das Ergebnis der ursprünglichen Nutzeranfrage ist. Das System ordnet die Ergebnisse anhand dieses Scores, stellt die Elemente mit den höchsten Werten an erste Stelle und kann anhand dessen entscheiden, welche Ergebnisse gut genug sind, um beibehalten zu werden. Je nach Methode kann der Score die Schlüsselwort-Überschneidung, die semantische Ähnlichkeit oder eine Mischung aus beidem messen.

S

Semantische Suche

Die semantische Suche ist ein Ansatz für die Suche, bei dem Ergebnisse nach Bedeutung und Absicht abgeglichen werden, nicht nur nach exakter Schlüsselwortübereinstimmung. In modernen Systemen wird dies üblicherweise umgesetzt, indem Abfragen und Inhalte als Embeddings dargestellt werden (numerische Vektoren, die semantische Beziehungen erfassen), und anschließend die Elemente mit den ähnlichsten Vektoren abgerufen werden. So kann eine Abfrage wie „bester Wein zu Meeresfrüchten“ mit Inhalten wie „passt gut zu Fisch“ übereinstimmen, selbst wenn die exakten Begriffe unterschiedlich sind.

SERP-Funktionen

SERP-Funktionen sind angereicherte Module auf einer Suchmaschinen-Ergebnisseite, die über eine standardmäßige Liste organischer Links hinausgehen. Häufige Beispiele sind featured Snippets, Wissenspanels, “Nutzer fragen auch”-Boxen, Bild- und Video-Karussells, lokale Karten-Packs, Top-Stories-Blöcke, Shopping-Module und KI-generierte Übersichten.

Strukturierte Ausgabe

Strukturierte Ausgabe ist die Ausgabe eines Sprachmodells, die einem bestimmten, vordefinierten Format folgt (meist JSON, das einem definierten Schema entspricht) anstelle von Freitext. Durch das Einschränken der Antwortform macht die strukturierte Ausgabe die Modellausgabe für Software leichter analysierbar und verwertbar, ohne fehleranfällige Bereinigungslogik.

Suchmaschinen-Ergebnisseite (SERP)

Eine Suchmaschinen-Ergebnisseite (SERP) ist die Seite, die eine Suchmaschine als Antwort auf eine Query zurückgibt. Bei modernen Suchmaschinen ist sie in der Regel eine Mischung aus Elementen statt einer einfachen Liste: nach Relevanz sortierte organische (unbezahlte) Links, bezahlte Ads und SERP-Funktionen wie featured Snippets oder Wissenspanels, die Teile der Suchanfrage direkt beantworten. Bei manchen Suchanfragen und Suchmaschinen können auch KI-generierte Übersichten erscheinen, oft nahe dem oberen Rand der Seite.

T

Tokenisierung

Tokenisierung ist der Prozess, bei dem Text in kleinere Einheiten namens Token zerlegt wird – die Teile, die ein System tatsächlich verarbeitet. Für ein Sprachmodell sind Token in der Regel Teilwortfragmente, die das Modell als Zahlen statt als ganze Wörter liest. Bei der klassischen Suche zerlegt die Tokenisierung den Text stattdessen in die Begriffe, die zum Erstellen und Abfragen eines Index verwendet werden. So oder so ist es der Schritt, der Rohtext in Einheiten umwandelt, mit denen ein System arbeiten kann.

Tool-Aufruf

Tool-Aufruf ist die Fähigkeit, die es einem umfangreichen Sprachmodell (LLM) ermöglicht, externe Tools wie APIs, Funktionen, Datenbanken oder Dienste zu nutzen. Durch das Erzeugen einer strukturierten Anfrage zum Aufrufen eines Tools kann eine Anwendung oder der Modellanbieter dann eine Aufgabe ausführen und ein Ergebnis an das Modell zurückgeben. So geht ein Modell über die reine Textgenerierung hinaus, um Live-Daten abzurufen und Aktionen auszuführen.

V

Vektordatenbank

Eine Vektordatenbank ist eine Datenbank, die entwickelt wurde, um Embeddings zu speichern und zu durchsuchen – die hochdimensionalen numerischen Vektoren, die die Bedeutung von Text, Bildern oder anderen Daten repräsentieren. Anstatt Datensätze anhand exakter Werte wie eine herkömmliche Datenbank abzugleichen, findet eine Vektordatenbank die Datensätze, deren Vektoren einer Query am ähnlichsten sind, was eine bedeutungsbasierte (semantische) Suche im großen Maßstab ermöglicht.

Vektoreinbettungen

Eine Vektoreinbettung (oder einfach ein Embedding) ist eine Liste von Zahlen, die die Bedeutung eines Datenelements (wie Text, Bild oder Audio) als Punkt in einem hochdimensionalen Raum darstellt. Ein Embedding-Modell erzeugt diese Vektoren so, dass Elemente mit ähnlicher Bedeutung nah beieinander liegen, wodurch Software Bedeutung durch Messung des Abstands zwischen Vektoren vergleichen kann, anstatt Wörter abzugleichen.

W

Web-Grounding

Web-Grounding ist die Praxis, die Antworten eines Sprachmodells auf Live-Webinhalten zu basieren, die zum Zeitpunkt der Query abgerufen werden, sodass seine Antworten aktuelle, überprüfbare Quellen widerspiegeln und nicht nur das, was es beim Training gelernt hat. Ein gegroundetes Modell durchsucht das Web nach einer Query, ruft die relevanten Seiten ab und generiert seine Antwort aus diesem abgerufenen Inhalt – häufig unter Angabe der verwendeten Quellen.

Web-Scraper

Ein Web-Scraper ist ein Programm, das automatisch Daten von Websites (einschließlich Suchmaschinen-Ergebnisseiten) extrahiert, in der Regel indem es deren Seiten herunterlädt und das für menschliche Browser geschriebene HTML parst; Web-Scraper können Inhalte, die für die menschliche Lesbarkeit gedacht sind, in strukturierte Daten umwandeln, die ein Computerprogramm speichern und wiederverwenden kann. Web-Scraper haben viele legitime Verwendungszwecke (einschließlich Preisvergleiche, Forschung, Archivierung und Systemüberwachung), aber je nachdem, was und wie gescraped wird, können sie rechtliche, technische und richtlinienbezogene Probleme aufwerfen. Im Kontext der Suche ruft ein Web-Scraper Ergebnisse ab, indem er die Ergebnisseiten einer Suchmaschine lädt und parst – ein Ansatz, den viele große Anbieter durch Nutzungsbedingungen und Anti-Automatisierungsrichtlinien einschränken oder verbieten.

Web-Such-API

Eine Web-Such-API ist ein Dienst, der es Software ermöglicht, den Index einer Suchmaschine für das Web abzufragen und die Ergebnisse als strukturierte Daten zu erhalten, anstatt über einen Browser oder durch das Scrapen einer Ergebnisseite. Ein Programm sendet eine Anfrage mit einer Query und Parametern und erhält maschinenlesbare Ergebnisse zurück. Ein Programm sendet eine Anfrage mit einer Query und Parametern und erhält maschinenlesbare Ergebnisse zurück (typischerweise URLs, Titel und Text-Snippets, neben News, Bildern, Videos und reichhaltigeren Inhalten), die zur Verwendung in einer KI-Anwendung bereitstehen.

Wissensgraph

Ein Wissensgraph ist eine strukturierte Darstellung von Wissen als Netzwerk von Entitäten (z. B. Personen, Orte, Produkte oder Konzepte) und den Beziehungen, die sie verbinden. Statt Informationen als isolierten Text zu speichern, erfasst ein Wissensgraph Fakten als Knoten (die Entitäten), die durch Edges (die Beziehungen) verbunden sind, oft mit angehängten Typen und Attributen. Dadurch können sowohl Maschinen als auch Menschen leichter verstehen, wie Dinge miteinander in Beziehung stehen.

Wissensgrenze

Eine Wissensgrenze ist der Zeitpunkt, ab dem ein Sprachmodell keine Trainingsdaten mehr hat und daher kein eingebautes Bewusstsein für Ereignisse, Fakten oder Änderungen, die später eingetreten sind. Da das Wissen eines Modells zum Trainingszeitpunkt praktisch eingefroren ist, ist alles, was nach seiner Wissensgrenze passiert ist, nicht Teil seines eingebauten Wissens, es sei denn, zur Laufzeit werden über externen Kontext, Retrieval oder Tools neuere Informationen bereitgestellt.

Z

Zero-Click-Suche

Eine Zero-Click-Suche ist eine Suchsitzung, die endet, ohne dass der Nutzer auf ein ausgehendes Ergebnis klickt. Dies kann passieren, weil die Ergebnisseite genügend Informationen direkt bereitstellt, weil der Nutzer die Suchanfrage abbricht oder weil er sie umformuliert und erneut sucht.