Search & Retrieval Engineer

Was macht ein Search & Retrieval Engineer?

Du baust den Teil eines Systems, der aus einer Frage die passenden Stellen in einem großen Bestand heraussucht: Produktdaten, Handbücher, Verträge, Tickets, Fachartikel. Dazu gehören drei Arbeitsschritte, die im Alltag ineinandergreifen – Inhalte so aufbereiten und indexieren, dass sie überhaupt auffindbar sind, aus dem Index eine Menge von Kandidaten holen und diese Kandidaten in eine Rangfolge bringen.

Suche ist ein altes Fach, das durch Sprachmodelle wieder stark gefragt ist. Der Grund ist einfach: Eine erzeugte Antwort kann nur so gut sein wie die Stellen, die vorher gefunden wurden. Steht die entscheidende Passage nicht unter den ersten Treffern, hilft auch das beste Modell nicht mehr – es formuliert dann flüssig an der Sache vorbei. Viele Projekte, die an der Antwortqualität scheitern, scheitern in Wirklichkeit an der Suche darunter.

Im Kern arbeitest du an zwei Verfahren, die sich ergänzen. Die stichwortbasierte Suche ist schnell, nachvollziehbar und stark bei Artikelnummern, Eigennamen und Fachbegriffen. Die semantische Suche über Vektoren findet auch das, was mit anderen Worten dasselbe meint, verliert dafür aber genau dort, wo es auf das exakte Zeichen ankommt. In der Praxis kombinierst du beides und legst fest, wie die Ergebnisse zusammengeführt werden.

Vom LLM Engineer unterscheidet dich die Blickrichtung: Der arbeitet an der Anwendung um das Sprachmodell herum, du an der Stufe davor – und du wirst auch dann gebraucht, wenn gar kein Sprachmodell im Spiel ist, sondern eine klassische Suchleiste. Der Wissensgraph-Engineer wiederum modelliert Beziehungen zwischen Dingen und beantwortet Fragen über diese Struktur. Du arbeitest dagegen auf unstrukturierten Beständen und misst deinen Erfolg daran, ob das Gesuchte weit oben steht.

Was du im Praktikum machst

Ein typischer erster Auftrag ist die Aufbereitung: Dokumente in sinnvolle Abschnitte zerlegen, Titel und Metadaten mitführen, doppelte Inhalte erkennen. Das klingt nach Fleißarbeit und entscheidet doch mehr über die Trefferqualität als jede spätere Feineinstellung – ein Abschnitt, der mitten im Satz endet, ist für die Suche wertlos.

Dazu kommt fast immer eine Messaufgabe. Du baust einen Satz echter Anfragen auf, hältst fest, welche Dokumente jeweils richtig wären, und misst, wie viele davon das System unter den ersten Treffern zeigt. Erst damit lässt sich eine Änderung beurteilen. Ohne diese Messung diskutieren Teams über Beispiele, die gerade jemandem eingefallen sind, und drehen die Suche im Kreis.

Häufig kommt ein Vergleich dazu: dieselben Anfragen einmal über Stichwörter, einmal über Vektoren, einmal über beides. Die Auswertung zeigt dann meist, dass keiner der Wege überall gewinnt – und genau daraus entsteht die Empfehlung, die du am Ende vorstellst.

Was du mitbringen solltest

Solide Programmierkenntnisse, meist Python, und die Bereitschaft, dich in eine Suchmaschine wie Elasticsearch, OpenSearch oder eine Vektordatenbank einzuarbeiten. Die Werkzeuge wechseln, die Begriffe dahinter bleiben: Index, Analyse-Kette, Kandidatenmenge, Rangfolge, Trefferquote.

Wichtiger als das Werkzeug ist die Haltung zur Bewertung. Suche fühlt sich schnell gut an, wenn man die eigenen Beispiele eintippt – und fällt auseinander, sobald echte Anfragen kommen, mit Tippfehlern, Abkürzungen und halben Sätzen. Wer bereit ist, eine Verbesserung erst zu glauben, wenn sie in den Zahlen steht, ist hier richtig.

Nützlich ist außerdem ein Sinn für Antwortzeiten. Eine Suche, die eine Sekunde braucht, wird anders benutzt als eine, die sofort antwortet, und viele Verbesserungen der Trefferqualität kosten Laufzeit oder Geld.

Was du verdienst

Praktika liegen bei rund 1.750 Euro brutto im Monat. Der Einstieg bewegt sich um 5.000 Euro, mit zwei bis drei Jahren Erfahrung zwischen 5.400 und 6.900 Euro. Das sind Erfahrungswerte und keine Zusagen: Die Spanne hängt an Branche, Region und daran, ob Suche im Unternehmen ein eigenes Team hat oder nebenher mitläuft.

Weil die Rolle sowohl Datenverständnis als auch Betriebserfahrung verlangt, liegt sie im oberen Mittelfeld der sprachnahen KI-Rollen – ähnlich wie beim LLM Engineer, mit dem sie sich viele Aufgaben teilt.

Wie es weitergeht

Ein Weg führt tiefer in die Rangfolge – ein eigenes Fachgebiet, in dem sich Erfahrung unmittelbar auszahlt. Ein anderer führt in die Architektur von Systemen, die Suche und Sprachmodell verbinden. Und wer den Überblick behält, übernimmt die Verantwortung für Suche und Wissenszugang eines ganzen Hauses.