Kontrast
Dierekt zum Inhalt
VisionConnect Blog / Content Management Systeme

LLM in der Solr-Suche von TYPO3: Wenn die Suche versteht, was gemeint ist

18. November 2026
LLM in der Solr-Suche von TYPO3: Wenn die Suche versteht, was gemeint ist

Wie große Sprachmodelle die TYPO3-Suche mit Apache Solr verbessern: Vektorsuche, hybride Suche und RAG – verständlich erklärt, mit Praxisempfehlungen und Fahrplan für die Einführung.

„Wie beantrage ich eine Förderung?“ – so sehen echte Suchanfragen auf einer Website aus. Kaum jemand tippt das exakte Stichwort ein, das irgendwo im Text steht.

Menschen stellen Fragen, machen Tippfehler, benutzen eigene Worte. Die klassische Volltextsuche stößt da an ihre Grenzen: Sie findet nur, was wörtlich da ist.

Große Sprachmodelle (LLMs) schließen genau diese Lücke. Sie übersetzen Anfragen und Inhalte in Bedeutung statt in Wortketten. Und das Beste: Mit Apache Solr und der TYPO3-Extension EXT:solr lässt sich das heute produktiv einsetzen.

Warum eine klassische Suche an ihre Grenzen stößt

Keyword-Suche findet Wörter, keine Bedeutung

Apache Solr ist traditionell eine Wort-Suche: Sie gleicht Begriffe ab und gewichtet Treffer nach einem etablierten Verfahren (BM25). Das ist schnell, ausgereift – und für viele Fälle völlig ausreichend.

Es hat nur einen Haken: Die Suche weiß nicht, was der Nutzer eigentlich will.

  • Wer „Rechnung stornieren“ sucht, findet keine Seite, die nur von „Rechnung löschen“ spricht.
  • Eine Frage wie „Was kostet das?“ liefert Zufallstreffer.
  • Synonym-Listen helfen – müssen aber gepflegt werden und decken nie alles ab.

Was Nutzer heute erwarten

Nutzer kennen es von ChatGPT und modernen Shops: Eine Suche versteht natürliche Sprache, erkennt die Absicht dahinter – und liefert eine Antwort, nicht nur eine Linkliste. Für Produktkataloge, Wissensdatenbanken, Service-Portale und Intranets macht das den Unterschied zwischen „gefunden“ und „frustriert wieder weggeklickt“.

Was ein LLM in der Suche leistet

Ein LLM bringt zwei Fähigkeiten mit, die die Suche grundätzlich verändern:

  1. Es versteht Bedeutung. Texte – Inhalte wie Anfragen – werden in sogenannte Embeddings übersetzt: Zahlenreihen, die die Bedeutung abbilden. Ähnliche Texte liegen dicht beieinander – egal, welche Wörter benutzt wurden.
  2. Es versteht Sprache. Ein LLM kann Anfragen umformulieren, Synonyme finden oder aus den besten Treffern eine kurze Antwort schreiben.Daraus ergeben sich vier konkrete Einsatzmuster:

Semantische Vektorsuche

Beim Indexieren werden Inhalte in Embeddings übersetzt – die Nutzeranfrage ebenfalls. Die Suche vergleicht dann Bedeutungen statt Wörter. Wer nach „Drahtlos BH“ sucht, findet auch die Produktseite „Büstenhalter ohne Bügel“ – ganz ohne gepflegte Synonym-Liste.

Hybride Suche

In der Praxis kombiniert man beides: die präzise Keyword-Suche und die Vektorsuche. Die beiden Ergebnislisten werden über ein standardisiertes Verfahren (Reciprocal Rank Fusion) zusammengeführt. Exakte Begriffe wie Artikelnummern finden weiterhin ihre Treffer – und ungewöhnliche Formulierungen werden semantisch abgedeckt. Das Beste aus beiden Welten.

LLM-gestützte Synonyme und Query-Rewriting

Statt Synonyme von Hand zu pflegen, kann ein LLM Anfragen vor der Suche umschreiben und erweitern. Das spart Pflegeaufwand – und die Abdeckung ist deutlich besser.

Direkte Antworten (RAG)

Beim RAG-Verfahren (Retrieval Augmented Generation) holt TYPO3 zunächst die relevantesten Treffer aus Solr. Das LLM formuliert daraus eine kurze, quellenbasierte Antwort. Der Nutzer bekommt eine Antwort statt einer Liste – inklusive Verweis auf die zugrunde liegenden Seiten. Und weil das LLM nur aus den eigenen Inhalten schöpft, bleiben erfundene Antworten die Ausnahme.

Was Apache Solr heute mitbringt

Die gute Nachricht zuerst: Sie brauchen keine separate Vektor-Datenbank und keine Eigenbau-Middleware.

  • Seit Apache Solr 9.8 (Januar 2025) gibt es das Modul llm mit Text-to-Vector-Funktion: Solr vektorisiert Texte bei der Indexierung und bei der Suche selbst – inklusive der passenden Query-Parser. Ab Solr 10 heißt das Modul language-models.
  • Solr unterstützt darüber Embedding-Anbieter wie OpenAI, Mistral AI, Hugging Face und Cohere – eigene Modelle lassen sich ebenfalls einbinden.
  • Hybride Suche (Keyword plus Vektor) läuft damit direkt auf dem Solr-Server.

Für Betreiber heißt das: Die Semantik entsteht dort, wo die Daten ohnehin liegen – in der Such-Infrastruktur. Keine zusätzliche Datenbank, keine zweite Systemlandschaft.

Wie TYPO3 anschließt: EXT:solr

Die Extension EXT:solr ist die etablierte Anbindung des Apache-Solr-Servers an TYPO3 – mit Index Queue, Facetten, Autocomplete und Highlighting. Sie indexiert Seiten, News, Produkte und beliebige Datensätze.

Für den KI-Teil gibt es zwei Wege:

Weg 1: Semantik im Solr-Server

Sie betreiben Solr ab Version 9.8 mit dem llm-Modul (ab Solr 10: language-models). Die Vektorisierung läuft auf dem Server, TYPO3 sendet seine Anfragen ganz normal über EXT:solr. Bestehende Funktionen wie Sortierung, Field-Boosting und Highlighting bleiben unberührt. Eine saubere Architektur: Die Komplexität bleibt im Suchsystem, nicht in der Website.

Ein Hinweis zur Version: EXT:solr 14 für TYPO3 14 LTS setzt Apache Solr 10 voraus. Beim Upgrade sind ein Schema-Update und eine vollständige Neuindizierung nötig. Wer noch auf einer älteren TYPO3-Version arbeitet, plant die Einführung am besten gemeinsam mit einem ohnehin anstehenden Upgrade.

Weg 2: KI-Schicht vor der Suche

Alternativ – oder ergänzend – schaltet man ein LLM vor die Solr-Suche: Es interpretiert die Nutzeranfrage, formuliert die eigentliche Suchanfrage und zieht aus den Treffern eine Antwort. Dieser Weg lässt sich individuell für das eigene Projekt entwickeln und an die vorhandene Solr-Infrastruktur anbinden. Wer schon EXT:solr im Einsatz hat, kann beide Wege auch kombinieren.

Was Sie bei der Einführung beachten sollten

Datenschutz und DSGVO

Embedding- und LLM-APIs verarbeiten Ihre Inhalte und die Anfragen Ihrer Nutzer. Klären Sie vorab:

  • Verarbeiten die APIs personenbezogene Daten? Findet die Verarbeitung in der EU statt?
  • Gibt es passende Auftragsverarbeitungsverträge mit dem Anbieter?
  • Reicht ein selbst gehostetes Modell – etwa für Intranets oder Behörden?

Viele Embedding-Modelle lassen sich auch lokal betreiben. Das ist aufwendiger, aber datenschutzlich die sicherste Variante.

Qualität der Inhalte

Semantische Suche rettet keine schwachen Inhalte. Embeddings können nur Bedeutung transportieren, die tatsächlich im Text steht. Fragen Sie sich zuerst: Sind unsere wichtigsten Inhalte vollständig, aktuell und gut strukturiert? Strukturierte Daten (etwa JSON-LD) helfen dabei der KI-Suche – und nebenbei auch der klassischen SEO-Sichtbarkeit.

Kosten und Geschwindigkeit

Jede Vektorisierung und jede LLM-Antwort kostet Rechenzeit, eventuell API-Gebühren. Rechnen Sie vorher durch: Wie viele Suchanfragen erwarten wir? Lohnt sich ein Cache? Für stark frequentierte Seiten lohnt sich von Anfang an ein Blick auf Antwortzeiten und laufende Kosten.

Schritt für Schritt statt Big Bang

Sie müssen nicht alles auf einmal einfahren. Ein bewährter Fahrplan:

  1. Bestehende Solr-Suche optimieren (Facetten, Autocomplete, Boosting)
  2. Strukturierte Inhalte aufbereiten (Datenqualität, JSON-LD)
  3. Vektorsuche für ausgewählte Bereiche aktivieren – etwa Wissensdatenbank oder Shop
  4. Hybride Suche ausrollen und anhand echter Suchanfragen bewerten
  5. Antwort-Funktion (RAG) ergänzen – dort, wo Nutzer Fragen statt Stichworte eingeben

Messen Sie an realen Anfragen, ob die Trefferqualität tatsächlich steigt. Was sich nicht messen lässt, sollten Sie nicht auf gut Glück einführen.

Typische Fehler bei der Einführung

  • Volltextsuche einfach abschalten. Die Keyword-Suche ist für exakte Begriffe oft besser als jede Vektorsuche. Hybrid schlägt pur.
  • Das falsche Embedding-Modell wählen. Modelle unterscheiden sich stark – in Sprache, Domäne und Qualität. Testen Sie mit Ihren Inhalten, nicht mit generischen Beispielen.
  • Inhalte ungefiltert indexieren. Impressum, AGB oder veraltete Seiten gehören nicht in die Antwortgenerierung. Legen Sie fest, welche Inhalte die KI sehen darf.
  • Antworten ohne Quellenverweis. Eine generierte Antwort ohne Link zur Quelle kostet Vertrauen.

Fazit

LLMs machen aus der Website-Suche ein Werkzeug, das wirklich versteht: Statt Wörter abzugleichen, erkennt die Suche die Absicht dahinter – und kann aus den eigenen Inhalten direkte Antworten liefern. Die technische Grundlage steht: Apache Solr bringt die Vektorsuche seit Version 9.8 nativ mit, EXT:solr bindet sie an TYPO3 an, und mit TYPO3 14 gibt es einen natürlichen Anlass für den Sprung.

Entscheidend ist nicht die Technik, sondern die Reihenfolge: gute Inhalte zuerst, dann Semantik dort, wo Nutzer wirklich profitieren – und alles messbar begleitet. Wer in Ausbaustufen denkt, bekommt eine KI-gestützte Suche, die hält, was sie verspricht.

Sie planen ein solches Ausbauprojekt für Ihre TYPO3-Website?
Sprechen Sie mit uns – wir beraten Sie zu Architektur, Datenschutz und der richtigen Ausbaustufe.


Quellen

Mehr Beiträge im VisionConnect-Blog

… passend zum Thema.