Top-k-Retrieval ist die Einstellung eines Such- oder RAG-Systems, wie viele der ähnlichsten Dokumente oder Chunks pro Anfrage zurückgegeben werden. Der Retriever berechnet für alle Kandidaten eine Ähnlichkeitsbewertung und liefert die k besten davon — nicht alle Treffer.
Wie der Ablauf aussieht
Eine Anfrage wird in ein Embedding umgewandelt und mit den Vektoren in der Vektordatenbank verglichen. Der Retriever sortiert die Kandidaten nach Ähnlichkeit und schneidet nach k Treffern ab. Typische Werte sind k = 5 bis 20 für RAG-Pipelines; in der ersten Stufe eines zweistufigen Verfahrens werden oft mehr Kandidaten geholt (z. B. k = 50), die danach ein Reranker neu sortiert.
Präzision gegen Vollständigkeit
Das k bestimmt den Zielkonflikt zwischen zwei Qualitätsmaßen:
- Precision@K: Wie viele der k zurückgegebenen Treffer sind wirklich relevant? Kleines k erhöht die Präzision, weil weniger Rauschen dazwischen ist.
- Recall@K: Wie viel der relevanten Information wurde gefunden? Großes k erhöht den Recall, weil mehr Kandidaten berücksichtigt werden — etwa 20 Dokumente statt 5.
Weitere gebräuchliche Metriken sind MRR (Mean Reciprocal Rank) und NDCG (Normalized Discounted Cumulative Gain), die auch die Reihenfolge der Treffer bewerten. Die Wahl von k gehört zu den wichtigsten Stellschrauben einer RAG-Pipeline: zu klein verpasst die Antwort, zu groß überflutet das Kontextfenster des Modells mit irrelevantem Text und verschlechtert die Antwortqualität.
Verwandte Grundlagen: Semantische Suche, Chunking, Large Language Model.