Begriff
HyDE
HyDE (Hypothetical Document Embeddings) ist eine RAG-Technik, bei der ein LLM aus der Frage eine fiktive Antwort erzeugt — und dann mit deren Embedding nach echten Dokumenten sucht.
HyDE — ausführlicher erklärt
Klassisches RAG embedded die Nutzerfrage und sucht dann ähnliche Dokumente. Das Problem: kurze, vage Fragen erzeugen schlechte Embeddings, weil sie wenig semantische Substanz tragen. HyDE löst das, indem ein LLM zur Frage zunächst ein hypothetisches Antwortdokument schreibt — so, als wäre die Antwort schon bekannt. Dieses generierte Dokument wird embedded und für die Vektorsuche genutzt. Das Embedding einer ausformulierten Antwort liegt im Vektorraum näher an realen Antwort-Passagen als das Embedding der nackten Frage.
Beispiel / Praxisbezug
Frage: „Was tun bei niedrigem Eisenwert?”. Direktes Embedding ist dünn. HyDE-Schritt: Modell schreibt einen kurzen Pseudo-Antworttext über Eisenmangel, Symptome und Therapieoptionen. Dieses Pseudo-Dokument wird embedded und als Suchvektor benutzt. Treffer in der Wissensdatenbank sind dann Passagen, die thematisch tatsächlich passen — auch wenn die Originalfrage keines der Stichworte enthielt. Praxis-Werte: Recall steigt deutlich bei zero-shot-Szenarien und bei vagen oder Cross-Lingual-Queries.
Abgrenzung zu ähnlichen Begriffen
HyDE gehört zur Familie Query Transformation, neben Query Expansion und Multi-Query-RAG. Unterschied: Query Expansion erzeugt zusätzliche Suchformulierungen, HyDE erzeugt ein vollständiges Pseudo-Dokument. Schwächen: schwächere LLMs produzieren halluzinierte Pseudo-Dokumente, die die Suche in eine falsche Richtung lenken; bei sehr engen Fachgebieten ohne Domain-Tuning verfehlt das Pseudo-Dokument den realen Stil der Quelle. Die Latenz steigt, weil ein zusätzlicher LLM-Aufruf vor der Suche stattfindet.
Entdecke mehr
KI-Workflows per Keyword: Wie wir wiederkehrende Abläufe erzwingbar machen
Ein getipptes Keyword löst bei uns einen festen KI-Ablauf aus — und jeder Schritt muss committet werden, bevor der nächste kommt. Warum das der Trick ist.
GlossarS-RAG
S-RAG (Search-optimized RAG) ist boostN.ais Variante von Retrieval-Augmented Generation, die klassisches RAG um Suchmaschinen-Prinzipien erweitert: Relevanz-Ranking, Decay nach Aktualität und getypte Verlinkung zwischen Chunks für deterministisches Nachladen.
LexikonRAG-Tuning und Balancing — Embeddings, Gewichte, Decay und MCP für Fortgeschrittene
Wie man Retrieval gezielt steuert: Embedding-Wahl, Hybrid-Gewichte, Reranker-Cascade, Time-Decay, Authority-Boost, MMR und MCP als Retrieval-Tool.