--- title: Embedding (Vektorrepräsentation) slug: embedding canonical_url: https://www.geoquality.ai/glossar/embedding md_url: https://www.geoquality.ai/glossar/embedding.md language: de last_modified: 2026-05-07T00:00:00+00:00 related_terms: [answer-engine, knowledge-graph, llm, rag, topical-authority] content_hash: 16c88c23fd86af7e license: CC BY 4.0 author: Marco Biner (geoquality.ai) schema_type: DefinedTerm --- # Embedding (Vektorrepräsentation) Ein Embedding ist eine numerische Vektorrepräsentation von Text — typisch 768 bis 3072 Dimensionen lang —, die semantische Bedeutung in geometrischen Abstaenden codiert. Zwei thematisch ähnliche Texte haben Embeddings, die im Vektorraum nahe beieinanderliegen. Embeddings sind das mathematische Fundament jeder RAG-Pipeline und damit jeder modernen Antwortmaschine. ## Erläuterung Ein Embedding ist die mathematische Brücke zwischen menschlicher Sprache und maschineller Verarbeitung. Klassische Computer arbeiten auf Zahlen, nicht auf Bedeutung — Embeddings ueberbruecken die Lücke, indem sie jedes Wort, jeden Satz und jeden Absatz in einen hochdimensionalen Vektor uebersetzen, dessen geometrische Position im Raum die Bedeutung codiert. Zwei semantisch ähnliche Texte landen nahe beieinander, zwei thematisch fremde Texte landen weit entfernt. Genau diese Geometrie ermöglicht Retrieval: der Retriever sucht im Index nach Vektoren, die nahe am Frage-Vektor liegen. Technisch werden Embeddings von eigenen LLM-Varianten produziert — sogenannten Embedding-Modellen. OpenAIs text-embedding-3-large erzeugt 3072-dimensionale Vektoren, text-embedding-3-small 1536-dimensionale, Cohere und Anthropic haben eigene Modelle mit ähnlichen Dimensionen. Die Trainings-Aufgabe ist immer dieselbe: semantisch verwandte Texte sollen nahe beieinander liegen, semantisch verschiedene weit entfernt. Das wird mit Millionen von Beispielen gelernt — und das Resultat ist ein robuster geometrischer Bedeutungsraum. Für GEO sind Embeddings der unsichtbare Mechanismus hinter Citation-Entscheidungen. Wenn ChatGPT-Web-Browsing oder Perplexity einen User-Prompt empfangen, wird die Frage in einen Vektor uebersetzt, der dann gegen alle indexierten Site-Chunks verglichen wird. Die top-N Chunks (typisch top 3 bis 10) werden in den Antwort-Generator eingespeist. Die Aufnahme in dieses top-N-Set ist faktisch identisch mit Citation-Inclusion. Eine Site, die in der Embedding-Geometrie zu einem Themenfeld einen klar erkennbaren Cluster bildet, hat strukturell höhere Citation-Wahrscheinlichkeit als eine Site, deren Inhalte geometrisch verstreut liegen. Daraus folgt eine konkrete Content-Strategie: thematische Konzentration . Eine Treuhand-Site mit 80 Artikeln zu Steuern, Buchhaltung und Lohn hat in der Embedding-Geometrie drei dichte Cluster — das ist Topical Authority . Eine Treuhand-Site mit 80 Artikeln, die sich auf 30 verschiedene Themen verteilen, hat keine erkennbaren Cluster — und kein einzelner Chunk landet beim thematisch passenden Top-N-Retrieval. Das ist der mathematische Hintergrund, warum Topical Authority so stark mit Citation Rate korreliert. Wichtig zur Abgrenzung: Embeddings sind keine Hashes oder Datenbank-Indizes. Sie sind kontinuierliche Vektoren in einem hochdimensionalen Raum. Zwei Embeddings können einander ähnlich sein, ohne identisch zu sein — und genau diese graduelle Ähnlichkeit ist der Kern der semantischen Retrieval. Klassische Keyword-Such-Algorithmen wie BM25 arbeiten über Wort-Frequenzen und sind binaer (Wort vorhanden oder nicht); Embeddings sind graduell (semantische Nähe als Skalar zwischen 0 und 1). Genau deshalb verstehen RAG-Systeme Synonyme, Paraphrasen und thematische Verwandtschaft — was ein Keyword-Index nicht kann. ## Praxisbeispiel Embeddings live betrachten — ein Beispiel mit OpenAIs API: import openai texts = [ "Quellensteuer für Grenzgänger aus Deutschland", "Lohnsteuer für Schweizer Pendler in Deutschland", # nahe verwandt "Mehrwertsteuer-Anmeldung für Schweizer KMU", # gleicher Bereich, anderes Thema "Barockmusik des 17. Jahrhunderts", # völlig fremd ] vectors = [ openai.embeddings.create( model="text-embedding-3-small", input=t ).data[0].embedding for t in texts ] # Cosine-Similarity zwischen Vektor 0 und allen anderen from numpy import dot from numpy.linalg import norm for i in range(1, 4): sim = dot(vectors[0], vectors[i]) / (norm(vectors[0]) * norm(vectors[i])) print(f"{texts[i]}: similarity = {sim:.3f}") # Erwartetes Ergebnis: # Lohnsteuer für Schweizer Pendler: similarity = 0.78 # Mehrwertsteuer-Anmeldung für KMU: similarity = 0.42 # Barockmusik des 17. Jahrhunderts: similarity = 0.08 Die Cosine-Similarity quantifiziert semantische Nähe — und genau diesen Wert nutzt der RAG-Retriever, um zu entscheiden, welcher Chunk in den Antwort-Prompt geschoben wird. ## Häufige Fehler - Annehmen, dass Keyword-Dichte die Embedding-Position beeinflusst — Embeddings codieren Bedeutung, nicht Wort-Frequenz; Stuffing ist wirkungslos. - Inhalte breit über viele Themen streuen statt thematisch zu konzentrieren — Embedding-Cluster brauchen Dichte, um vom Retriever erkannt zu werden. - Synonyme oder Paraphrasen vermeiden, weil 'das Keyword fehlt' — Embeddings verstehen Synonyme; die alten SEO-Reflexe sind hier kontraproduktiv. - Kurze Stub-Texte unter 100 Wörtern produzieren — solche Texte erzeugen rauschende Embeddings ohne klare semantische Position. ## Best Practices - Konzentriere Content thematisch — pro Page ein Hauptthema, pro Hauptthema 12 bis 15 Tiefen-Artikel für einen erkennbaren Embedding-Cluster. - Nutze natuerliche Sprache mit Synonymen und Paraphrasen — das erhöht die thematische Robustheit der Embeddings. - Halte einzelne Texte zwischen 200 und 800 Wörtern — kurze Stubs erzeugen rauschende Embeddings, lange Blöcke werden vom Chunker gesplittet. - Strukturiere Themen als Pillar + Spoke — Pillar-Pages bilden Cluster-Zentren, Spoke-Pages bilden den Cluster-Umfang. - Vermeide gemischte Themen auf einer Page — eine Page, die über Steuern UND Marketing UND Versicherung schreibt, hat ein verzerrtes Embedding und fluctuiert in der Retrieval-Performance. ## Fakten - OpenAIs text-embedding-3-large produziert 3072-dimensionale Vektoren — das ist der 2026er-Industrie-Standard für hochpraezise semantische Retrieval. - Embedding-Modelle werden mit kontrastivem Lernen trainiert: ähnliche Text-Paare sollen nahe beieinander, verschiedene weit entfernt liegen. - Cosine-Similarity zwischen zwei Embeddings liegt zwischen -1 und 1; in der Praxis liegen verwandte Texte zwischen 0.7 und 0.9, fremde unter 0.3. - Semantisch verwandte Texte in verschiedenen Sprachen (Deutsch und Englisch) haben in modernen mehrsprachigen Embeddings oft Cosine-Similarity über 0.7 — ein Hinweis auf echte semantische Codierung jenseits der Wort-Ebene. - Pinecone, Weaviate und pgvector (Postgres-Erweiterung) sind 2026 die drei meistgenutzten Vector-Datenbanken für RAG-Indizes. ## FAQ ### Wie viele Dimensionen hat ein typisches Embedding? Typisch zwischen 768 und 3072 Dimensionen. OpenAIs text-embedding-3-large hat 3072d, text-embedding-3-small 1536d, BERT-basierte Modelle 768d. Mehr Dimensionen = mehr semantische Präzision, aber langsamere Berechnung und mehr Speicherbedarf im Index. ### Beeinflusst Keyword-Dichte das Embedding? Kaum bis gar nicht. Embeddings codieren Bedeutung, nicht Wort-Frequenz. Ein Text, der 'Steuerberatung' zehnmal wiederholt, hat ein aehnliches Embedding wie ein Text, der das Wort einmal nutzt aber semantisch denselben Inhalt vermittelt. Keyword-Stuffing ist im Embedding-Zeitalter wirkungslos. ### Verstehen Embeddings Synonyme? Ja, sehr gut. Moderne Embedding-Modelle wurden auf Millionen von Beispielen trainiert, in denen Synonyme als semantisch ähnlich markiert sind. 'Steuerberater' und 'Treuhaender' liegen im Vektorraum sehr nahe, obwohl sie kein Wort gemeinsam haben. Das ist eine fundamentale Verbesserung gegenüber klassischen Keyword-Indizes. ### Sind Embeddings sprachuebergreifend? Moderne mehrsprachige Modelle ja. OpenAI text-embedding-3 kann deutsche und englische Texte in denselben Vektorraum embedden — ein deutscher und ein englischer Text mit gleicher Bedeutung haben oft Cosine-Similarity über 0.7. Ältere Modelle waren typisch sprach-spezifisch. ### Wie kann ich die Embedding-Position meiner Inhalte messen? Indem du selbst Embeddings deiner Inhalte erzeugst (OpenAI API, ein paar Zeilen Code) und gegen Test-Queries vergleichst. Wenn 'Was kostet Quellensteuer-Beratung?' nahe an deinem Capsule-Text liegt (Cosine-Similarity über 0.7), wirst du gefunden. Wenn die Similarity unter 0.4 liegt, fehlt die thematische Klarheit. ### Beeinflusst Schema.org-Markup die Embedding-Position? Indirekt ja. Schema-Markup verändert das HTML nicht inhaltlich, aber es signalisiert dem Crawler, welche Blöcke als zitierfähige Antwort-Einheiten betrachtet werden sollen. Diese Blöcke werden bei der Chunk-Erzeugung sauber als ein Stück embedded, statt zerschnitten zu werden — was die Cluster-Bildung verbessert. ## Experten-Definition Wer Embeddings versteht, versteht GEO. Bei meinen Klienten zeichne ich oft das Bild eines hochdimensionalen Raums an die Tafel, in dem ihre Inhalte als Punktwolken liegen. Die Frage ist immer: bilden eure Inhalte erkennbare Cluster, oder schwirren sie unstrukturiert herum? Cluster gewinnen Citations, Schwirrer verlieren sie. Das ist der mathematische Hintergrund von Topical Authority — und der Grund, warum thematische Konzentration mehr wirkt als Backlink-Volumen. Wer das einmal begriffen hat, hört auf, in Keywords zu denken, und faengt an, in Bedeutungs-Clustern zu denken. ## Verwandte Begriffe - [Answer Engine](https://www.geoquality.ai/glossar/answer-engine.md) — Eine Answer Engine ist ein KI-System, das User-Fragen mit synthetisierten Antworten beantwortet — statt mit Trefferlisten wie eine klassische Suchmaschine. Beispiele 2026: ChatGPT, Perplexity, Claude, Google AI Overviews und Microsoft Copilot. Sie sind der Fokuspunkt jeder GEO-Strategie. - [Knowledge Graph](https://www.geoquality.ai/glossar/knowledge-graph.md) — Ein Knowledge Graph ist eine Datenstruktur, die Entitäten und ihre Beziehungen als verknüpftes Netzwerk repräsentiert und KI-Systemen die Faktenbasis liefert, aus der sie Antworten zusammensetzen. - [Large Language Model (LLM)](https://www.geoquality.ai/glossar/llm.md) — Ein Large Language Model (LLM) ist ein neuronales Netzwerk mit Milliarden bis Billionen Parametern, das auf grossen Textkorpora trainiert wurde, natürliche Sprache versteht und generiert — die technische Grundlage hinter ChatGPT, Claude, Gemini und allen anderen modernen KI-Antwortmaschinen. - [RAG (Retrieval-Augmented Generation)](https://www.geoquality.ai/glossar/rag.md) — RAG ist eine LLM-Architektur, die Antworten nicht nur aus Trainingsdaten generiert, sondern zusätzlich Live-Quellen abruft und in den Antwort-Kontext einbettet. Sie ist 2026 der Standard für Antwortmaschinen wie ChatGPT mit Web-Browsing, Perplexity, Google AI Overviews und Claude mit Web-Search-Tool — und damit der zentrale Mechanismus, über den GEO-Optimierung wirksam wird. - [Topical Authority](https://www.geoquality.ai/glossar/topical-authority.md) — Topical Authority bezeichnet die kumulierte Glaubwürdigkeit einer Domain für ein eng umgrenztes Themenfeld — gemessen an Tiefe und Breite des Content-Inventars, Verknüpfung mit Authority-Quellen und der Anzahl externer Erwähnungen aus thematisch verwandten Quellen. Sie ist der wichtigste Citation-Treiber in YMYL-Bereichen. ## Quelle und Zitation - HTML-Original: https://www.geoquality.ai/glossar/embedding - Lizenz: CC BY 4.0 - Zitiervorschlag: "Embedding (Vektorrepräsentation) (geoquality.ai Glossar, Biner 2026)"