Wie das LLM Ergebnisse zusammenführt (Reranking)
Nach dem Abruf Dutzender Passagen muss ein KI-System entscheiden, welche es behält. Diese Sortierung, Reranking genannt, entscheidet größtenteils darüber, wer zitiert wird.
Nach der ersten Suche findet sich ein KI-System typischerweise mit weit mehr Kandidatenpassagen wieder, als es in einer Antwort verwenden kann. Ein Sortiermechanismus namens Reranking bewertet und priorisiert diese Passagen, um nur die relevantesten zu behalten. In diesem unauffälligen, aber entscheidenden Schritt wird zu einem großen Teil die Frage entschieden, "wer zitiert wird und wer nicht". Anders als ein SEO-Rankingalgorithmus, der für eine gegebene Anfrage über die Zeit hinweg weitgehend stabil bleibt, kann das Ergebnis des Rerankings von einer Frage zur nächsten variieren, selbst bei einem verwandten Thema, was seine Beobachtung noch schwieriger macht.
Warum nach dem Abruf eine Sortierung nötig ist
Der erste Schritt des Dokumentenabrufs, sei es über eine klassische Suchmaschine oder eine Vektordatenbank, liefert in der Regel eine recht breite Liste potenziell relevanter Ergebnisse, ohne Garantie für feine Präzision. Diese erste Liste ist bewusst breit gehalten, um keinen nützlichen Inhalt zu verpassen, enthält aber auch Rauschen: Passagen, die kaum mit dem Thema zu tun haben, sich gegenseitig wiederholen oder von uneinheitlicher Qualität sind. Reranking dient dazu, diese Liste zu verfeinern, indem jede Passage präziser im Verhältnis zur genauen Frage des Nutzers bewertet wird. Dieser Schritt bleibt für eine Website weitgehend unsichtbar: Anders als bei einer Position in den Google-Ergebnissen gibt es keine "Seite 2" des Rerankings, die man einsehen könnte, um zu verstehen, warum eine Passage aussortiert wurde. Das macht das Thema ohne dediziertes Messwerkzeug schwer zu diagnostizieren.
Das allgemeine Prinzip des Rerankings
In einer typischen RAG-Architektur bewertet ein spezialisiertes Modell, oft kleiner und schneller als ein vollständiges LLM, jede Kandidatenpassage neu, indem es sie direkt mit der gestellten Frage vergleicht, statt über einen einfachen Keyword-Abgleich. Dieses Modell vergibt für jede Passage einen Relevanz-Score, und nur die bestbewerteten Passagen werden an das Sprachmodell zur Formulierung der endgültigen Antwort weitergegeben. Manche Systeme kombinieren zudem mehrere Ergebnisquellen, etwa eine Keyword-Suche und eine semantische Ähnlichkeitssuche, und führen dann beide Rankings zu einem einzigen zusammen; Forscher beschreiben diese Art der Zusammenführung oft als "reciprocal rank fusion" — eine Methode, die Passagen bevorzugt, die in mehreren Listen gleichzeitig gut abschneiden, statt solcher, die nur eine einzelne Liste dominieren. Diese Wahl veranschaulicht ein recht allgemeines Prinzip des Rerankings: Die Robustheit einer Passage — also ihre Fähigkeit, über mehrere unterschiedliche Bewertungsmethoden hinweg relevant zu bleiben — zählt oft mehr als eine perfekte, aber isolierte Übereinstimmung mit einem einzigen Kriterium.
Was eine Passage wahrscheinlicher gut platziert
Ohne zu behaupten, die exakten, gewichteten Kriterien jedes proprietären Systems zu kennen, lassen sich allgemein einige Merkmale beobachten, die eine Passage beim Reranking begünstigen: eine klare, direkte Übereinstimmung mit der Absicht der Frage, eine Formulierung, die geradeheraus antwortet, statt um das Thema herumzureden, sowie eine inhaltliche Eigenständigkeit, die es erlaubt, die Passage zu verstehen, ohne den Rest der Seite gelesen zu haben. Umgekehrt hat eine Passage, die in generischem Inhalt untergeht, externen Kontext zum Verständnis benötigt oder eine Frage nur vage umformuliert, ohne sie präzise zu beantworten, statistisch geringere Chancen, in diesem Schritt beibehalten zu werden. Ein Beispiel: Für die Frage "wie lang ist die gesetzliche Widerrufsfrist bei einem Online-Kauf" hat eine Passage, die direkt mit "die gesetzliche Widerrufsfrist beträgt 14 Tage ab Erhalt der Ware" beginnt, bessere Chancen, gut platziert zu werden, als ein Absatz, der mit "die Frage der Fristen ist komplex und hängt von mehreren Faktoren ab" beginnt, bevor er einige Sätze später zu derselben Information gelangt.
Der Zusammenhang mit Chunking und Content-Struktur
Reranking arbeitet auf Passagenebene, nicht auf Ebene ganzer Seiten. Deshalb hat die Art, wie Ihr Inhalt vorab aufgeteilt wird — ein Prozess namens Chunking —, direkten Einfluss darauf, was bis zu diesem Sortierschritt vordringt. Ein Artikel, bei dem jeder Abschnitt eine eigenständige Sinneinheit bildet, gibt dem System mehr "gute Kandidaten" zur Bewertung, statt eines einzigen langen Textblocks, in dem sich die nützliche Information verdünnt. Dieser Aufteilungsmechanismus wird ausführlich in der Lektion Chunking: wie das LLM Ihren Inhalt aufteilt erklärt. Anders gesagt: Qualitativ hochwertiger, aber schlecht segmentierter Inhalt kann bestraft werden — nicht inhaltlich, sondern formal: Dem Reranking fehlen schlicht die richtigen Einheiten zur Bewertung.
Was das für das Schreiben Ihrer Inhalte bedeutet
Konkret begünstigt das eine Schreibweise, die direkt auf den Punkt kommt: eine Frage bereits in den ersten Sätzen eines Abschnitts beantworten, jeden Unterabschnitt klar mit einer aussagekräftigen Zwischenüberschrift strukturieren, Absätze vermeiden, die das Lesen des gesamten Artikels voraussetzen, um verstanden zu werden. Diese Strukturierungsprinzipien werden in der Lektion Einen Artikel für GEO strukturieren im Detail behandelt, die eine Vorlage bietet, mit der möglichst viele Ihrer Passagen den Reranking-Schritt überstehen sollen.
Denken Sie daran: Reranking ist ein unsichtbarer, aber entscheidender Filter. Ihr Inhalt kann im ersten Schritt einwandfrei abgerufen werden und dennoch nie in der endgültigen Antwort erscheinen, einfach weil er zum Zeitpunkt der Sortierung nicht als relevant, klar oder eigenständig genug eingestuft wurde. Das spricht dafür, den eigenen Inhalt regelmäßig Abschnitt für Abschnitt zu überprüfen und sich ehrlich zu fragen, ob jede Passage, isoliert betrachtet, jemandem, der nichts anderes gelesen hat, eine klare Antwort geben würde.