Hybride Suche in SAP HANA Cloud — Vektorähnlichkeit und Fuzzy-Textsuche in einer SQL-Anweisung

Was hybride Suche ist

Eine Vektorsuche beantwortet „welche Zeilen bedeuten etwas, das meiner Frage nahekommt“; eine Textsuche beantwortet „welche Zeilen enthalten diese Wörter, auch falsch geschrieben“. Jede scheitert dort, wo die andere gelingt. Embeddings verwischen exakte Kennungen: Eine Materialnummer, ein Produktcode oder ein Kundenname, bei dem jeder Buchstabe zählt, kommt als „etwas Ähnliches“ zurück. Die Fuzzy-Suche verfehlt Umschreibungen: „Akkuschrauber für Mauerwerk“ trifft nicht „Akku-Bohrhammer für Beton“. Hybride Suche bewertet jeden Kandidaten nach beiden Kriterien und ordnet nach einer gewichteten Kombination, sodass eine Zeile, die nach Bedeutung und Wortlaut nahe ist, nach oben steigt.

Die beiden Werte, die SAP HANA Cloud liefert

Semantischer Wert. SAP HANA Cloud speichert Embeddings im Datentyp REAL_VECTOR (oder HALF_VECTOR) mit einer festen Dimension, die dem Embedding-Modell folgt: 768 für das datenbankinterne Modell SAP_NEB, 1.536 in der TechEd-Demo. COSINE_SIMILARITY(a, b) liefert einen Wert, der umso höher ist, je näher die Vektoren liegen; L2DISTANCE ist die Alternative, bei der niedriger näher bedeutet. Der Vektor der Frage stammt entweder aus VECTOR_EMBEDDING() in der Datenbank oder aus einem Embedding-Modell in SAP AI Core und wird mit TO_REAL_VECTOR() übergeben. Dokumente und Fragen müssen mit demselben Modell eingebettet werden (SAP HANA Cloud Vector Engine Guide).

Lexikalischer Wert. Das Prädikat CONTAINS mit FUZZY(<Mindestwert>) findet Zeilen, deren Text den Suchbegriffen entspricht, wobei Tippfehler und Varianten toleriert werden, und SCORE() liefert die Relevanz jedes Treffers zwischen 0 und 1. Der Search Developer Guide von SAP HANA dokumentiert die Fuzzy-Optionen (Term-Mappings, Stoppwörter, Ähnlichkeitsschwellen) und Volltextindizes für lange Textspalten (SAP HANA Cloud Search Developer Guide).

Warum es zählt

• Agenten, die auf Geschäftsdaten fundiert sind, scheitern am häufigsten an exakten Kennungen (Codes, Namen), die reine Vektorsuche verwischt.
• Beide Suchen in SAP HANA Cloud zu halten, erspart eine zweite Suchmaschine und behält die Rechte der Tabelle für die Suche bei.
• Das Muster ist der Retrieval-Schritt eines mit CAP gebauten Agenten-Werkzeugs, der Art von Side-by-Side-Erweiterung, die SAP als Clean-Core-Stufe A einordnet.

Kernpunkte

• Hybride Suche ordnet Zeilen nach einer gewichteten Summe aus semantischem Wert (COSINE_SIMILARITY auf REAL_VECTOR) und lexikalischem Wert (CONTAINS … FUZZY mit SCORE()).
• In SAP HANA Cloud werden beide Werte in einer SQL-Anweisung berechnet, unter den Datenbankrechten des Aufrufers.
• Vektoren erfassen Umschreibungen; Fuzzy-Text erfasst exakte Kennungen und Tippfehler: Jedes deckt den blinden Fleck des anderen ab.
• SCORE() liegt zwischen 0 und 1, die Kosinusähnlichkeit zwischen -1 und 1: vor dem Gewichten normalisieren.
• Die auf der SAP TechEd 2026 gezeigte Gewichtung 60/40 ist eine Entscheidung der Demo; Gewichte oder Rangfusion auf einem Evaluierungssatz abstimmen.
• Ein HNSW-Vektorindex beschleunigt den Vektorteil; ein Volltextindex bedient lange Textspalten.
• Dokumente und Fragen müssen mit demselben versionierten Modell eingebettet werden; die Vektordimension folgt diesem Modell.
• In einem CAP-Service auf SAP BTP gekapselt, der freigegebene S/4HANA-APIs aufruft, ist es eine Side-by-Side-Erweiterung der Clean-Core-Stufe A; HANA Cloud ist ihre Persistenz.

Begriffe auf dieser Seite

Hybride Suche

Ranking nach einer Kombination aus semantischem (Vektor-) und lexikalischem (Text-)Wert.

REAL_VECTOR

Datentyp in SAP HANA Cloud für einen Vektor fester Dimension aus 32-Bit-Gleitkommazahlen.

COSINE_SIMILARITY

Funktion in SAP HANA Cloud, die den Kosinus des Winkels zwischen zwei Vektoren liefert; höher ist näher.

Fuzzy-Suche

Textsuche, die Tippfehler und Varianten toleriert, aufgerufen mit CONTAINS … FUZZY(Schwelle).

SCORE()

Relevanz eines CONTAINS-Treffers zwischen 0 und 1.

HNSW-Index

Approximativer Nearest-Neighbour-Index für Vektorspalten in SAP HANA Cloud.

Rangfusion

Kombination zweier Ranglisten durch Addieren von 1/(k + Rang) aus jeder.

HDI-Container

Isoliertes Schema in SAP HANA Cloud, in das eine CAP-Anwendung ihre Datenbankartefakte deployt.

Quellen

1. SAP TechEd 2026 (Berlin & virtual, 27–29 Oct 2026) — session DA164: Building agentic applications with SAP HANA Cloud (demo architecture: Joule Studio agent, CAP service, SAP HANA Cloud hybrid search, SAP AI Core)
2. SAP Help — SAP HANA Cloud Vector Engine Guide
3. SAP Help — Vector Engine Guide: REAL_VECTOR and HALF_VECTOR data types
4. SAP Help — SQL reference: COSINE_SIMILARITY function (vector)
5. SAP Help — Vector Engine Guide: CREATE VECTOR INDEX statement (HNSW)
6. SAP Help — Vector Engine Guide: Using the VECTOR_EMBEDDING function
7. SAP Help — SAP HANA Cloud Search Developer Guide (CONTAINS, FUZZY, SCORE(), full-text indexes)
8. SAP Architecture Center — Embeddings & Semantic Search
9. SAP Architecture Center — Building AI Agents with Joule Studio
10. CAP documentation — Vector Embeddings (cds.Vector, cosine_similarity in CQL)
11. CAP documentation — SAP HANA Cloud as database (HDI deployment)
12. CAP documentation — Model Context Protocol (MCP) adapter (@cap-js/mcp)
13. SAP News — How to extend SAP S/4HANA Cloud the right way: clean core levels A–D (Aug 2025)