---
title: "Was ist ein Embedding?"
description: "Ein Embedding wandelt Text, Code oder Bilder in einen Vektor aus Zahlen um, der Bedeutung erfasst, damit eine Maschine misst, wie ähnlich zwei Dinge sind."
type: "glossary"
locale: "de-CH"
term: "Embedding"
canonical: "https://agenticschool.dev/de/glossar/embedding"
dateModified: "2026-07-07"
---

# Was ist ein Embedding?

- Definition: Embedding
- Aktualisiert: 2026-07-07
- Keywords: embedding, what is an embedding, embeddings meaning, text embeddings, vector embedding
- Kanonische URL: https://agenticschool.dev/de/glossar/embedding
- Sprache: de-CH

> Ein Embedding wandelt Text, Code oder Bilder in einen Vektor aus Zahlen um, der Bedeutung erfasst, damit eine Maschine misst, wie ähnlich zwei Dinge sind.

Ein Embedding ist eine Art, ein Stück Inhalt - ein Wort, einen Satz, ein Bild, einen Code-Ausschnitt - in eine Liste von Zahlen (einen Vektor) zu verwandeln, die seine Bedeutung erfasst, damit ein Computer Bedeutungen mathematisch vergleichen kann. Inhalte mit ähnlicher Bedeutung erhalten Vektoren, die nahe beieinander liegen, unzusammenhängende Inhalte landen weit auseinander. Das ist der ganze Trick: Sobald Bedeutung eine Menge von Koordinaten ist, wird aus "finde die relevanteste Passage" ein "finde die nächsten Vektoren", was eine Maschine sofort über Millionen von Einträgen erledigt. Embeddings sind der stille Motor hinter semantischer Suche, Empfehlungen, Clustering und vor allem hinter Retrieval-Augmented Generation (RAG).

## Wie ein Embedding Bedeutung erfasst

Ein Embedding-Modell liest deine Eingabe und gibt einen Vektor fester Länge aus, oft ein paar hundert bis ein paar tausend Zahlen. Es wurde so trainiert, dass Eingaben in ähnlichem Kontext ähnliche Vektoren bekommen, sodass "Auto" und "Wagen" nahe beieinander landen, "Auto" und "Banane" aber nicht. Du liest die Zahlen nie selbst, du vergleichst sie.

- Eingabe: beliebiger Text, ein Bild oder Code, den du nach Bedeutung durchsuchbar machen willst.
- Ausgabe: ein Vektor - eine Liste von Zahlen fester Länge - der diese Bedeutung darstellt.
- Vergleich: die Nähe zweier Vektoren (Kosinus-Ähnlichkeit) zeigt, wie verwandt die Eingaben sind.

## Embeddings und RAG

Embeddings sind das, was RAG möglich macht. Du bettest jeden Abschnitt deiner Dokumente einmal ein und speicherst die Vektoren in einer Vektordatenbank. Zur Anfragezeit bettest du die Nutzerfrage mit demselben Modell ein, findest die nächsten Abschnitts-Vektoren und gibst diese Abschnitte dem Sprachmodell als Kontext. Weil der Treffer über Bedeutung und nicht über exakte Stichworte läuft, findet auch eine anders formulierte Frage die richtige Passage.

## Wo Embeddings eingesetzt werden

Über RAG hinaus treiben Embeddings semantische Suche (nach Bedeutung sortiert, nicht nach Stichworten), Empfehlungen ("mehr wie dieses"), Deduplizierung, Clustering und Klassifikation an. Für Builder ist der praktische Punkt: ein einziger Embedding-Schritt macht aus unstrukturiertem menschlichem Inhalt etwas, das du zuverlässig durchsuchen, gruppieren und verarbeiten kannst. Deshalb beginnt fast jede KI-Funktion, die deine eigenen Daten berührt, damit, sie einzubetten.

## Häufige Fragen

### Was ist ein Embedding einfach erklärt?

Ein Embedding ist eine Liste von Zahlen, die die Bedeutung eines Inhalts darstellt. Ähnliche Bedeutungen bekommen ähnliche Zahlen, sodass ein Computer allein durch den Vergleich der Vektoren misst, wie verwandt zwei Texte, Bilder oder Code-Ausschnitte sind.

### Was ist der Unterschied zwischen Embedding und Vektor?

Ein Vektor ist einfach die Liste von Zahlen. Ein Embedding ist ein Vektor, den ein Modell gezielt erzeugt hat, um Bedeutung zu erfassen, sodass der Abstand zwischen Vektoren semantische Ähnlichkeit widerspiegelt. Jedes Embedding ist ein Vektor, aber nicht jeder Vektor ist ein Embedding.

### Wie hängen Embeddings mit RAG zusammen?

RAG nutzt Embeddings, um relevanten Kontext zu finden. Deine Dokumente werden eingebettet und gespeichert, die Frage wird zur Anfragezeit eingebettet, und die nächsten Abschnitte werden in den Prompt geholt. Ohne Embeddings fällt die Suche auf brüchiges Stichwort-Matching zurück.

### Brauchen Embeddings eine Vektordatenbank?

Für eine Handvoll Einträge kannst du Vektoren im Speicher vergleichen. Ab tausenden oder Millionen speichert eine Vektordatenbank die Embeddings und findet die nächsten schnell, weshalb Vektordatenbanken und Embeddings in Produktion fast immer zusammen auftreten.