# RAG für Implementer-Hybridsuche und automatische Indexierung

<datetime class="hidden">2025-11-22T12:00</datetime>

<!-- category -- ASP.NET, Semantic Search, ONNX, Qdrant, Machine Learning, Vector Search, RAG, AI-Article -->
# Einleitung

**Teil der RAG-Serie** Dies ist Teil der Produktionsintegrationsmuster von :

- [RAG-Ursprünge und Grundlagen](/blog/rag-primer) Was Einbettungen sind, warum sie wichtig sind
- [RAG-Architektur und Innenarchitektur](/blog/rag-architecture) Datenverarbeitungsdatenbanken
- [RAG in der Praxis](/blog/rag-practical-applications) Gebäude komplette RAG-Systeme
- [Teil Umsetzung des Qdrant-Systems](/blog/semantic-search-with-onnx-and-qdrant) Bequeme semantische Suchstiftung
- [Teil - Semantische Suche in Aktion](/blog/semantic-search-in-action) Hybride Suche nach , und UI-Komponenten
- **Teil-Hybridsuche** Produktionsintegrationsmuster
- [Teil 6:-GraphRAG](/blog/graphrag-knowledge-graphs-for-rag) Wissensgraphen für das Verständnis auf corpus-Ebene

Im [Teil](/blog/semantic-search-with-onnx-and-qdrant)Wir bauten die Stiftung... ONNX Einbettungen und Qdrant-Speicher. [Teil B](/blog/semantic-search-in-action)Wir deckten die Suche UI und hybride Suchimplementierung ab. **automatische Indexierung** Über FileSystemWatcher: Aktualisierung des Inhalts von -Touch

[TOC]

# Hybride Suche Das Beste aus beiden Welten

Semantische Suche ist leistungsstark, aber traditionelle Voll---Textsuche zeichnet sich immer noch bei genauen Phrasen und Fachbegriffen aus **Die Lösung** Beides verwenden

**Warum Hybride?** Unterschiedliche Ansätze haben unterschiedliche Stärken

- **PostgreSQL Volltext** ([hier abgedeckt](/blog/textsearchingpt1)Genaue Übereinstimmungen mit den technischen Bedingungen der ,
- **Semantische Vektorsuche**Bedeutung: ,; Kontext: MS K2; Synonyme: konzeptuell verwandte Inhalte

## Reziproker Rang Fusion

Wir benutzen **Gegenseitigkeitsrang Fusion** Ergebnisse aus mehreren Suchquellen kombinieren

```mermaid
flowchart TB
    A[User Query: 'docker containers'] --> B[PostgreSQL Full-Text Search]
    A --> C[Semantic Vector Search]

    B --> D["Results:<br/>1. 'Docker Basics' (rank 1)<br/>2. 'Containerizing Apps' (rank 2)<br/>3. 'Docker Compose' (rank 3)"]
    C --> E["Results:<br/>1. 'Containerizing Apps' (rank 1)<br/>2. 'Kubernetes Guide' (rank 2)<br/>3. 'Docker Basics' (rank 3)"]

    D --> F[RRF Algorithm]
    E --> F

    F --> G["Combined Results:<br/>1. 'Containerizing Apps'<br/>   (1/61 + 1/62 = 0.0328)<br/>2. 'Docker Basics'<br/>   (1/61 + 1/63 = 0.0322)<br/>3. 'Docker Compose'<br/>   (1/63 = 0.0159)"]

    style A stroke:#10b981,stroke-width:2px
    style B stroke:#3b82f6,stroke-width:2px
    style C stroke:#6366f1,stroke-width:2px
    style D stroke:#3b82f6,stroke-width:2px
    style E stroke:#6366f1,stroke-width:2px
    style F stroke:#ec4899,stroke-width:4px
    style G stroke:#8b5cf6,stroke-width:2px
```

**Die RRF-Formel** `score = Σ(1 / (k + rank))`

- `k` ,= , um zu verhindern, dass die frühen Ränge dominieren
- `rank` Position in dieser Suchmethode Ergebnisse
- Ergebnisse in **beides** Quellen erhalten Ergebnisse von jedem zusammen addiert

**Warum RRF funktioniert**

- **Deduplikation**Gleiches Ergebnis in beiden Quellen punktet höher
- **Fairness**Keine Suchmethode dominiert unfair
- **Einfachheit**Keine komplexe Abstimmung erforderlich

## Durchführung

```csharp
public class HybridSearchService : IHybridSearchService
{
    private readonly ISemanticSearchService _semanticSearchService;
    private const int RrfConstant = 60;

    public async Task<List<SearchResult>> SearchAsync(
        string query,
        string language = "en",
        int limit = 10,
        CancellationToken cancellationToken = default)
    {
        // Execute both searches in parallel
        var semanticResults = await _semanticSearchService.SearchAsync(
            query, limit * 2, cancellationToken);

        // Filter by language and apply RRF
        var filteredResults = semanticResults
            .Where(r => r.Language == language)
            .ToList();

        return ApplyReciprocalRankFusion(filteredResults)
            .Take(limit)
            .ToList();
    }

    private List<SearchResult> ApplyReciprocalRankFusion(List<SearchResult> results)
    {
        var rrfScores = new Dictionary<string, RrfScore>();

        for (int i = 0; i < results.Count; i++)
        {
            var result = results[i];
            var key = $"{result.Slug}_{result.Language}";

            if (!rrfScores.ContainsKey(key))
                rrfScores[key] = new RrfScore { Result = result };

            // RRF formula: 1 / (k + rank)
            rrfScores[key].Score += 1.0 / (RrfConstant + i + 1);
        }

        return rrfScores.Values
            .OrderByDescending(x => x.Score)
            .Select(x => x.Result)
            .ToList();
    }
}
```

> **Anmerkung:** Dies zeigt die semantische Suche nur in der Produktion.,. Ausführen der PostgreSQL-Volltextsuche parallel und schließen diese Ergebnisse in die RRF-Berechnung ein.

## Integration

Wenn Sie bereits PostgreSQL Volltextsuche implementiert haben[wie hier behandelt](/blog/textsearchingpt1)Das Hinzufügen semantischer Suche ist einfach.

```csharp
// Program.cs
services.AddSemanticSearch(configuration);
services.AddSingleton<IHybridSearchService, HybridSearchService>();
```

```csharp
[HttpGet("search/hybrid")]
public async Task<IActionResult> HybridSearch(string query, string language = "en")
{
    var results = await _hybridSearchService.SearchAsync(query, language);
    return PartialView("_SearchResults", results);
}
```

# Automatische Indexierung mit File System Watcher

Die leistungsstärkste Funktion **automatische Indexierung**Speichern Sie einen Blog-Post , , , es ist sofort durchsuchbar , ohne manuelle Intervention , . ,

## Wie es funktioniert

```mermaid
flowchart TB
    A[Save Markdown File] --> B[FileSystemWatcher Detects Change]
    B --> C{File in Main Directory?}
    C -->|Yes| D[Save to Database]
    C -->|No| E[Save to Database Only]
    D --> F[Create BlogPostDocument]
    F --> G[Generate Embedding via ONNX]
    G --> H[Store in Qdrant]
    H --> I[Post Searchable Immediately]

    style A stroke:#10b981,stroke-width:2px
    style B stroke:#f59e0b,stroke-width:2px
    style C stroke:#ec4899,stroke-width:3px
    style D stroke:#3b82f6,stroke-width:2px
    style E stroke:#6b7280,stroke-width:2px
    style F stroke:#8b5cf6,stroke-width:2px
    style G stroke:#6366f1,stroke-width:3px
    style H stroke:#ef4444,stroke-width:2px
    style I stroke:#10b981,stroke-width:2px
```

**Schlüsselentwurfsentscheidung** Nur Indexdateien in der **Hauptmarkdown-Verzeichnis**Nicht Unterverzeichnisse`translated/`, `drafts/`, `comments/`Dies hält den Suchindex sauber.

## Integration des Dateibeobachters

Der Blog hat bereits eine `MarkdownDirectoryWatcherService`Wir erweitern es, um semantische Indexierung auszulösen.

```csharp
// In MarkdownDirectoryWatcherService.cs
private async Task OnChangedAsync(WaitForChangedResult e)
{
    if (e.Name == null) return;

    await retryPolicy.ExecuteAsync(async () =>
    {
        var savedModel = await blogService.SavePost(slug, language, markdown);

        // Index ONLY if file is in main directory (no path separators in name)
        if (!e.Name.Contains(Path.DirectorySeparatorChar) &&
            !e.Name.Contains(Path.AltDirectorySeparatorChar))
        {
            await IndexPostForSemanticSearchAsync(scope, savedModel, language);
        }
    });
}

private async Task IndexPostForSemanticSearchAsync(
    IServiceScope scope,
    BlogPostDto post,
    string language)
{
    var semanticSearchService = scope.ServiceProvider.GetService<ISemanticSearchService>();
    if (semanticSearchService == null) return; // Not configured

    var document = new BlogPostDocument
    {
        Id = $"{post.Slug}_{language}",
        Slug = post.Slug,
        Title = post.Title,
        Content = post.PlainTextContent,
        Language = language,
        Categories = post.Categories?.ToList() ?? new List<string>(),
        PublishedDate = post.PublishedDate
    };

    await semanticSearchService.IndexPostAsync(document);
    _logger.LogInformation("Indexed {Slug} ({Language}) in semantic search", post.Slug, language);
}
```

## Umgang mit Delektionen

Wenn ein Beitrag gelöscht wird, entfernen Sie es aus dem semantischen Index.

```csharp
private async Task OnDeletedAsync(WaitForChangedResult e)
{
    await blogService.Delete(slug, language);

    // Delete from semantic search ONLY if file was in main directory
    if (!e.Name.Contains(Path.DirectorySeparatorChar) &&
        !e.Name.Contains(Path.AltDirectorySeparatorChar))
    {
        var semanticSearchService = scope.ServiceProvider.GetService<ISemanticSearchService>();
        await semanticSearchService?.DeletePostAsync(slug, language);
    }
}
```

# Hintergrunddienst für die erste Indexierung

Beim Start indexiert ein Hintergrunddienst vorhandene Posts noch nicht in Qdrant-:

```mermaid
flowchart TB
    A[Application Starts] --> B[Wait 10 seconds]
    B --> C[Initialize Semantic Search]
    C --> D{Model Exists?}
    D -->|No| E[Download from Hugging Face]
    D -->|Yes| F[Load ONNX Model]
    E --> F
    F --> G[Scan Main Markdown Directory]
    G --> H{For Each .md File}
    H --> I[Compute Content Hash]
    I --> J{Hash Changed?}
    J -->|Yes| K[Generate Embedding]
    J -->|No| L[Skip - Already Indexed]
    K --> M[Store in Qdrant]
    M --> H
    L --> H
    H -->|Done| N[Indexing Complete]

    style A stroke:#10b981,stroke-width:2px
    style C stroke:#6366f1,stroke-width:2px
    style E stroke:#f59e0b,stroke-width:2px
    style F stroke:#6366f1,stroke-width:3px
    style G stroke:#8b5cf6,stroke-width:2px
    style J stroke:#ec4899,stroke-width:3px
    style K stroke:#6366f1,stroke-width:2px
    style M stroke:#ef4444,stroke-width:2px
    style N stroke:#10b981,stroke-width:2px
```

```csharp
public class SemanticIndexingBackgroundService : BackgroundService
{
    protected override async Task ExecuteAsync(CancellationToken stoppingToken)
    {
        // Wait for app to be ready
        await Task.Delay(TimeSpan.FromSeconds(10), stoppingToken);

        // Initialize (downloads model if needed)
        await _semanticSearchService.InitializeAsync(stoppingToken);

        // Get all posts from main directory only
        var markdownFiles = Directory.GetFiles(
            _markdownConfig.MarkdownPath,
            "*.md",
            SearchOption.TopDirectoryOnly);  // NOT subdirectories

        foreach (var file in markdownFiles)
        {
            var needsIndexing = await _semanticSearchService.NeedsReindexingAsync(
                slug, language, contentHash, stoppingToken);

            if (needsIndexing)
                await _semanticSearchService.IndexPostAsync(document, stoppingToken);
        }
    }
}
```

**Dies stellt sicher, dass die**

1. **Lazy Modell Laden** Downloads beim ersten Einsatz nicht blockieren
2. **Inkrementelle Indexierung** Nur neue, geänderte Beiträge
3. **Nur Hauptverzeichnis** Dokumente und übersetzte Dateien verschmutzen den Index

# Was wir gebaut haben

Über Teile hinweg haben wir jetzt :

- ✅ **CPU.-.freundliche semantische Suche** Keine GPU erforderlich
- ✅ **Related posts Entdeckung** Semantähnliche Inhalte
- ✅ **Natürliche Sprachsuche** Suche nach Bedeutungen nicht nur Schlüsselwörter
- ✅ **Hybride Suche** Das Beste aus semantischem Text
- ✅ **Automatische Indexierung** Aktualisierungen des Inhalts von --Zero---Touch
- ✅ **Selbstbewirtet** Ihre Daten bleiben auf Ihrem Server

**Zukünftige Verbesserungen**

- **Kategorie: --Bewusste Suche** Ergebnisse aus bestimmten Kategorien steigern
- **Mehrsprachige Einbettungen** Sprache, -Besondere Einbettungsmodelle
- **OpenSearch Integration** OpenSearch zum Hybrid-Mix hinzufügen[siehe meinen OpenSearch Artikel](/blog/textsearchingpt3))

# Schlußfolgerung

Dies vervollständigt die praktische Umsetzung der semantischen Suche von RAG--, kombiniert mit [Teil](/blog/semantic-search-with-onnx-and-qdrant) (-Foundation, )- und [Teil B](/blog/semantic-search-in-action) Such-UI-),e haben Sie alles, was benötigt wird, um intelligente Suche zu Ihrer Anwendung hinzuzufügen. -e läuft komplett auf CPU, ohne zusätzliche Kosten.

## Lerne weiter

- **[RAG-Teil: Ursprung und Grundlagen](/blog/rag-primer)** Die Theorie hinter Einbettungen
- **[RAG-Teil Architektur und Innenarchitektur](/blog/rag-architecture)** Tiefentauche in RAG-Systeme
- **[RAG Teil Praktische Anwendungen](/blog/rag-practical-applications)** Komplette RAG mit LLM-Integration
- **[Teil Umsetzung des Qdrant-Systems](/blog/semantic-search-with-onnx-and-qdrant)** Grundlage: Embedding und Vektorspeicher
- **[Teil - Semantische Suche in Aktion](/blog/semantic-search-in-action)** Hybride Suche nach , und UI
- **[Volltextsuche mit PostgreSQL](/blog/textsearchingpt1)** Die Volltextseite der hybriden Suche

## Aufkommen

### Qdrant-Vektordatenbanken

- [Selbstbeleuchtete Vektordatenbanken mit Qdrant](/blog/self-hosted-vector-databases-qdrant) Tiefes Eintauchen in Qdrant-Konzepte – die Indexierung von HNSW – die Filterung von , und C.#.
- [Qdrant-Hybridsuche](https://qdrant.tech/documentation/concepts/hybrid-queries/) Qdrant®''s native Hybrid-Unterstützung

### Hybride Suche

- [Gegenseitige Rangfolge Fusionspapier](https://plg.uwaterloo.ca/~gvcormac/cormacksigir09-rrf.pdf) Der RRF-Algorithmus

### Dateisystem beobachten

- [DateiSystemWatcher Klasse](https://learn.microsoft.com/en-us/dotnet/api/system.io.filesystemwatcher) Dokumentation
- [HintergrundService-Klasse](https://learn.microsoft.com/en-us/dotnet/api/microsoft.extensions.hosting.backgroundservice) Hosted services im ASP-.-NET-Core

### Vollständiger Code

Alle Codes sind verfügbar unter: [github-.-com./-scottgal./-mostlylucidweb](https://github.com/scottgal/mostlylucidweb)

- `Mostlylucid.SemanticSearch/` Kernsemantische Suchbibliothek
- `Mostlylucid/Blog/WatcherService/` Dateibeobachter mit semantischer Indexierung