Vektorbasierte Vorselektion (Phase A2)

Ziel

Reduktion des Suchraums auf potenziell relevante Chunks. Dies ist eine Vorselektion, keine Wahrheitsfindung.

Ablauf

1. Der Query-Vektor wird gegen die definierte Collection gesucht
2. Die Vektordatenbank liefert:
   • Chunk-Referenzen (IDs)
   • Relevanz-Scores (Cosine Similarity)
3. Es werden ausschließlich Chunk-IDs und Payload-Metadaten verwendet
4. Anzahl der Ergebnisse wird durch top_k begrenzt

Kritische Abgrenzung

Ähnlichkeit ≠ Relevanz ≠ Wahrheit

Qdrant-Abfrage

POST /collections/documents/points/search
{
  "vector": [0.123, -0.456, ...],  // 1536 Dimensionen
  "limit": 10,
  "with_payload": true,
  "filter": {
    "must": [
      {"key": "collection", "match": {"value": "documents"}}
    ]
  }
}

Ergebnisartefakte

• Kandidatenliste von Chunk-IDs mit Scores
• Sortiert nach absteigendem Score

Beteiligte Komponenten

Prüfbedingungen für Supervision

• Kein Chunk ohne SQL-Referenz gelangt weiter
• Score-Werte werden protokolliert, aber nicht als Wahrheit behandelt
• Die Vektordatenbank liefert nur IDs, kein Content wird vertraut