07_vector_search_documents

Build: cmake --preset linux-ninja-release && cmake --build --preset linux-ninja-release

Dokumenten-Suche - Vector Search & RAG

📝 Übersicht

Semantische Dokumentensuche mit Embeddings und RAG (Retrieval Augmented Generation). Demonstriert Vector Search Features.

✨ Features

• ✅ Dokument-Upload - PDF, TXT, DOCX
• ✅ Automatische Embeddings - sentence-transformers
• ✅ Semantische Suche - Ähnlichkeit statt Keywords
• ✅ RAG-Workflow - Context für LLMs
• ✅ Ranking - Relevanz-Scoring
• ✅ Hybrid Search - Vector + Volltext
• ✅ Collection Management - Dokumente organisieren

📊 Datenmodell

Dokument

{
    "id": "doc_uuid",
    "title": "Dokumenttitel",
    "content": "Volltext...",
    "embedding": [0.123, -0.456, ...],  # 384D Vector
    "metadata": {
        "author": "Max Mustermann",
        "created": "2025-12-22",
        "type": "pdf",
        "pages": 15
    },
    "collection": "technical_docs"
}

🔧 Verwendung

cd examples/07_vector_search_documents
pip install -r requirements.txt

# Modell wird automatisch heruntergeladen
python main.py

Siehe HOW_TO.md, VECTOR_SEARCH.md, EMBEDDINGS_GUIDE.md.

📚 Was Sie lernen

• Vector Model - Hochdimensionale Vektoren
• HNSW/FAISS - Effiziente Ähnlichkeitssuche
• Embeddings - Text zu Vektoren
• RAG Pattern - Context Retrieval für LLMs
• Hybrid Search - Kombination mehrerer Ansätze

🎯 Use Cases

1. Dokumenten-Bibliothek durchsuchen
2. Ähnliche Dokumente finden
3. Fragen beantworten (Q&A)
4. Context für LLMs bereitstellen

---

Status: Geplant