Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com20. Juli 2026 · Q011036

I Gave a Local LLM 650 of My Notes. Keyword Search Still Beat It Sometimes.

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor vergleicht lokale semantische Suche mit Obsidian-Stichwortsuche für 650 Notizen. In seinen kleinen Tests fand semantische Suche mehr passende Notizen bei sinngemäßen Fragen, während Stichwortsuche exakte Kennungen zuverlässiger traf; der Autor verwendet deshalb beide. Modellqualität, veraltete Indizes und beim Aufteilen verlorener Kontext bleiben ungelöste Grenzen.

Mittel

Der Autor baute für seine rund 650 Obsidian-Notizen eine lokale semantische Suche, nachdem die Stichwortsuche eine Notiz zu Ratenbegrenzung nicht fand, weil er nach „throttling“ statt nach „rate limiting“ gesucht hatte. Dazu teilte er die Notizen in Abschnitte, erzeugte lokal Vektoren und ließ ein Sprachmodell passende Textstellen für Antworten heranziehen. Aus den Notizen wurden 1.292 Abschnitte.

In seinem Test mit zehn sinngemäßen Fragen fand die semantische Suche acht passende Notizen unter den ersten fünf Ergebnissen; die Stichwortsuche fand keine. Bei vier exakten Kennungen – darunter Funktionsname und Ticketnummer – gewann dagegen die Stichwortsuche mit vier Treffern zu einem. Der Autor nutzt deshalb beide Verfahren nebeneinander: semantische Suche für Umschreibungen und Stichwortsuche für genaue Zeichenfolgen.

Die Methode hat Grenzen: Auch semantische Suche findet unbekannte Begriffe wie „throttling“ nicht zwangsläufig, wenn das Einbettungsmodell die Verbindung nicht abbildet. Die Qualität hängt laut Autor stark vom Modell ab. Zudem muss er den Index nach neuen Notizen manuell aktualisieren, und das Aufteilen kann Kontext zerreißen. Seine positiven Ergebnisse stammen aus kleinen, selbst zusammengestellten Tests; nach zwei Wochen bewertet er vor allem die geringere Such- und Scrollarbeit als nützlich.

Ausführlich lesen

Der Autor beschreibt den Bau einer lokalen semantischen Suche für rund 650 Obsidian-Notizen. Anlass war, dass eine Suche nach „throttling“ eine vorhandene Notiz zu einem Vorfall mit Ratenbegrenzung nicht fand: In der Notiz stand stattdessen „rate limiting“. Der Autor wollte daher leichter wiederfinden, was er früher festgehalten hatte, und untersuchte selbst, wo eine Suche mit einem lokalen Sprachmodell hilft und wo sie versagt.

Für den Prototyp zerlegte er Markdown-Notizen in Abschnitte von jeweils einigen hundert Wörtern, wandelte diese mithilfe eines lokalen Einbettungsmodells in Vektoren um und speicherte sie lokal. Bei einer Frage werden passende Abschnitte abgerufen und dem Antwortmodell als Grundlage übergeben; die Antwort verweist zurück auf die Ursprungsnotiz. Die Verarbeitung lief laut Autor auf seinem Rechner: Das Einbettungsmodell nutzte Ollama, Qwen mit 27 Milliarden Parametern formulierte Antworten. Er verzichtete bewusst auf ein fertiges Obsidian-Plugin, um die einzelnen Schritte nachvollziehen zu können. Aus 650 Notizen entstanden 1.292 Abschnitte; beim Aufteilen wurden Gedanken gelegentlich zerschnitten.

In einem selbst erstellten Test formulierte der Autor zehn Fragen in Alltagssprache, ohne die Wörter aus den jeweiligen Zielnotizen zu verwenden. Er ließ beide Sucharten jeweils die passenden Notizen unter den ersten fünf Ergebnissen finden. Die Stichwortsuche traf in diesem Test keine der zehn Notizen, die semantische Suche acht. Als Beispiele nennt er Fragen nach Fehlern bei einem Start und nach einem Absturz, weil Produzenten schneller arbeiteten als Konsumenten; die semantische Suche fand dazu Notizen über Ratenbegrenzung beziehungsweise einen unbegrenzten Puffer und einen Speicherfehler.

Ein zweiter Test prüfte exakte Zeichenfolgen wie einen Funktionsnamen, eine Umgebungsvariable, einen Feature-Flag-Wert und eine Jira-Nummer. Hier fand die Stichwortsuche alle vier, die semantische nur eine. Der Autor erklärt das damit, dass Einbettungen Ähnlichkeit in der Bedeutung erfassen, während solche Kennungen vor allem exakt geschrieben werden müssen. Er kommt deshalb zu dem Schluss, beide Sucharten parallel zu nutzen: semantische Suche für sinngemäße Fragen, Stichwortsuche für bekannte exakte Begriffe.

Die Grenzen sind wesentlich: Eine ausschließlich aus den eigenen Notizen erstellte semantische Suche fand „throttling“ ebenfalls nicht, weil das Wort im Bestand nicht vorkam. Der Autor führt Synonym-Erkennung auf das Vorwissen des Einbettungsmodells zurück und betont, dass die Qualität dieses Modells entscheidend sei. Außerdem sei sein 27-Milliarden-Parameter-Modell auf einem MacBook Pro mit 36 GB Speicher nicht unbedingt schnell; er halte für schwierige Fälle ein Cloud-Modell bereit. Der Index werde nach neuen Notizen nicht automatisch aktualisiert, und die Abschnittsbildung könne wichtige Sätze vom passenden Kontext trennen. Nach zwei Wochen schätzt der Autor den Nutzen dennoch positiv ein: Er müsse seltener lange durch Notizen scrollen. Die Ergebnisse beruhen auf seinen eigenen Tests mit zehn beziehungsweise vier Suchfällen und belegen keine allgemeine Überlegenheit.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die mittlere Zusammenfassung von Luna; die kurze Fassung wurde nicht gesondert geprüft. Die Einordnung stützt sich ausschließlich auf den Bericht.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Nutzung von Qwen mit 27 Milliarden Parametern über Ollama auf einem 36-GB-MacBook Pro
  • Der Verzicht auf Obsidian-Plugins, um die Funktionsweise nachvollziehen zu können
  • Die Bereithaltung eines Cloud-Modells für besonders schwierige Abfragen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 45 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 38 %einzelne zitierbare Belege
    • JEV 25 %beantwortet teilweise oder widerspricht
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 51 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 32 %beantwortet teilweise oder widerspricht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →