Notezbeta
Zurück zum Blog

Semantische Suche für Notizen erklärt

semantic-searchDenis Povarov

Du weißt, dass es die Notiz gibt. Du hast sie vor drei Monaten geschrieben, sie enthielt die Antwort auf genau das Problem, vor dem du gerade sitzt, und du findest sie nicht – weil du nach „Caching“ suchst und in der Notiz „memoize“ steht, oder weil du nach „Deploy fehlgeschlagen“ suchst und in der Notiz „Release kaputt“ steht. Die Stichwortsuche versagt genau dann, wenn dich die Erinnerung an den Wortlaut im Stich lässt, und nach ein paar Wochen ist das meistens so.

Semantische Suche löst das, indem sie nach Bedeutung statt nach exakten Wörtern abgleicht. Hier geht es darum, wie sie funktioniert, wo sie die Stichwortsuche schlägt, wo nicht, und was sie daran ändert, wie du Notizen ordnest.

Woran die Stichwortsuche scheitert

Klassische Suche zerlegt deine Notizen in Wörter und gleicht deine Anfrage damit ab, vielleicht mit Stemming („Servern“ findet „Server“) und unscharfer Suche gegen Tippfehler. Sie ist schnell und vorhersehbar, bleibt aber im Kern ein Vergleich von Zeichenketten: Anfrage und Notiz müssen dieselben Wörter enthalten.

Notizen sind dafür der ungünstigste Fall. Sie entstehen schnell, im Wortschatz des Moments, und kein Lektorat sorgt für einheitliche Begriffe. Dasselbe Konzept heißt in vier Notizen, geschrieben in vier verschiedenen Stimmungen, „Auth“, „Login“, „Anmeldung“ und „Session“. Um deine eigene Notiz zu finden, musst du raten, welche Wörter dein früheres Ich benutzt hat – ein Gedächtnistest, obwohl Notizen gerade dafür da sind, dass du dir nichts merken musst.

Wie semantische Suche funktioniert

Semantische Suche ersetzt den Vergleich von Zeichenketten durch einen Vergleich von Bedeutungen und nutzt dafür Embeddings: Ein Machine-Learning-Modell bildet einen Text auf einen Vektor ab – eine lange Liste von Zahlen –, und zwar so, dass Texte mit ähnlicher Bedeutung nah beieinanderliegende Vektoren bekommen. „Session-Lookup memoisieren“ und „Login-Prüfung cachen“ landen in diesem Raum nah beieinander, obwohl sie kein Wort gemeinsam haben.

Der Ablauf von Anfang bis Ende:

  1. Indexierung. Wenn du eine Notiz speicherst, schickt das System sie durch ein Embedding-Modell und speichert den entstandenen Vektor neben der Notiz. Deshalb zählen Notizen-Apps mit KI „Embedding-Tokens“: Beim Speichern verarbeitet ein Modell den Text jeder Notiz.

  2. Anfrage. Deine Suchanfrage wird auf dieselbe Weise in einen Vektor umgewandelt.

  3. Abgleich. Das System findet die gespeicherten Vektoren, die dem Vektor der Anfrage am nächsten liegen, und gibt diese Notizen zurück, sortiert nach Nähe.

Praktisch heißt das: Du suchst nach dem Konzept so, wie du es heute denkst, und die Notiz taucht auf, egal wie du es damals formuliert hast. In Notez läuft das bei jeder Suche, zusammen mit einem Stichwortabgleich, und das Beispiel von der Startseite ist echt: Die Suche nach „diese Caching-Idee“ findet die Notiz, weil der Abgleich über die Bedeutung läuft, mit Embeddings.

Von der Suche zu Antworten

Sind die Notizen erst einmal als Vektoren gespeichert, gibt es eine zweite Fähigkeit fast umsonst dazu: Retrieval-Augmented Generation (RAG). Statt eine Liste passender Notizen zurückzugeben, holt das System die relevantesten und gibt sie einem Sprachmodell, das daraus eine Antwort formuliert – und die Quellnotizen nennt.

Damit wird aus „Dokumente finden“ ein „Fragen stellen“. Die Funktion Frag deine Notizen in Notez arbeitet so: Auf „Was habe ich über Fokus und Deep Work geschrieben?“ holt sie die passenden Notizen aus deinem ganzen Tresor und antwortet mit Quellen. Die Quellen sind wichtig: Eine Antwort, die du zu deinen eigenen Notizen zurückverfolgen kannst, lässt sich prüfen, eine nackte Antwort nicht.

Wo semantische Suche schwach ist

Die Grenzen, ehrlich benannt, damit die Erwartungen stimmen:

  • Exakte Zeichenketten. Die Suche nach einem bestimmten Fehlercode, Flag-Namen oder Bezeichner ist Sache der Stichwortsuche. Gute Systeme machen beides – Notez kombiniert bei jeder Anfrage eine Stichwortsuche mit der semantischen und führt die Ergebnisse zusammen (der Beitrag zur hybriden Suche erklärt, wie) –, und wenn du die exakte Zeichenkette kennst, such nach der exakten Zeichenkette.

  • Sehr kurze Notizen. Eine Notiz aus drei Wörtern gibt dem Embedding-Modell wenig Bedeutung, mit der es arbeiten kann. Sie bleibt auffindbar, nur mit weniger semantischem Vorteil.

  • Treffer sind eine Frage der Wahrscheinlichkeit. Ein Ranking nach nächsten Nachbarn heißt: Die richtige Notiz steht meistens oben, aber nicht beweisbar immer. Für eine Referenz, die du jede Woche aufrufst, ist ein Favorit oder ein Link verlässlicher als jede Suche.

Was sich beim Ordnen von Notizen ändert

Die interessante Folge betrifft dein Verhalten. Aufwendige Ordnerhierarchien und verpflichtende Tag-Schemata gibt es vor allem, damit die Stichwortsuche überhaupt etwas findet – sie sind eine Vorauszahlung auf spätere Auffindbarkeit. Wenn die Suche nach Bedeutung funktioniert, wird der größte Teil dieser Vorleistung freiwillig.

Eine sinnvolle Arbeitsteilung:

  • Ohne Umstände erfassen. Schreib die Notiz in den Worten, die dir gerade einfallen. Kein Titel, keine Ordnerentscheidung, keine Pflicht-Tags – die semantische Suche findet sie über den Inhalt.

  • Tags zum Aufzählen nutzen, nicht zum Wiederfinden. Tags lohnen sich, wenn du alle Notizen einer Art willst – alles mit dem Tag research, jede Notiz mit 1on1 –, denn „alles von X“ ist genau das, was ein Ranking nach Ähnlichkeit nicht garantiert.

  • Links für Struktur nutzen. Explizite Links zwischen Notizen (und die Backlinks, die dabei entstehen) halten Beziehungen fest, die die Suche nicht ableiten kann: Diese Entscheidung kam aus jener Diskussion.

  • Was du täglich öffnest, zu den Favoriten hinzufügen. Für die fünf wichtigsten Notizen schlägt Navigation die Suche.

Macht das in der Praxis einen Unterschied?

Der Test ist einfach: Wie oft findest du eine Notiz nicht, von der du weißt, dass es sie gibt? Lautet die Antwort „regelmäßig“, liegt der Engpass beim Wiederfinden, und semantische Suche beseitigt ihn mit weniger Aufwand, als es jede Disziplin bei der Benennung je könnte. Systeme, die darauf angewiesen sind, dass Menschen zweimal dieselben Wörter benutzen, verlieren gegen Systeme, die das nicht brauchen – denn nach genügend Monaten tut das niemand mehr.

Weiterlesen