Drupal AI Ecosystem Part 4 Drupal AI Search With PostgreSQL OpenSense Labs

Drupal KI-Ökosystem Teil 4: Drupal KI-Suche mit PostgreSQL Vektordatenbank

AI-Translated

Drupal

Veröffentlicht am 19 Nov, 2025

10 Minuten Lesezeit

Die Suche ist eine der wichtigsten Möglichkeiten, wie Menschen online Informationen finden. Ob es um die Suche nach einem Produkt, einem Tutorial oder die Antwort auf eine Frage geht, Nutzer erwarten, dass die Suche „einfach versteht“, was sie meinen. Herkömmliche Suchmaschinen verlassen sich jedoch oft auf die Übereinstimmung exakter Schlüsselwörter. Wenn Sie nach „einen Chatbot erstellen“ suchen, ein Artikel aber den Titel „konversationelle Assistenten entwickeln“ trägt, sehen Sie ihn möglicherweise nie, obwohl er genau das ist, was Sie brauchen. Hier ändert Drupal AI Search alles.

Anstatt sich auf Schlüsselwörter zu konzentrieren, fokussiert sich Drupal AI Search auf die Bedeutung. Durch den Einsatz von künstlicher Intelligenz und Vektordatenbanken erkennt Drupal AI Search die Beziehungen zwischen Wörtern und Konzepten. Drupal AI Search kann die Frage eines Nutzers mit den relevantesten Informationen verbinden, selbst wenn die Formulierung völlig anders ist.

In diesem Artikel erfahren Sie, wie Sie eine KI-gestützte Suche für Ihre Drupal-Website mit der Vektordatenbank von PostgreSQL aufbauen. Sie werden sehen, wie es funktioniert, wie Sie es einrichten und wie es Ihr Sucherlebnis schneller, intelligenter und menschenähnlicher gestalten kann.

Bevor Sie Drupal AI Search implementieren, erfahren Sie, wie unser Team Sie beim Aufbau von KI-gestützten, vektorbasierten Sucherlebnissen unterstützen kann, die die Inhaltserkennung und das Engagement verbessern.

Verbessern Sie Ihr Website-Erlebnis

Lassen Sie uns nun Drupal AI Search und mehr verstehen!

Drupal AI Search: Ihre adaptive Entdeckungsmaschine

Stellen Sie sich vor, die Suchleiste Ihrer Website könnte verstehen, was Menschen meinen, nicht nur, was sie eingeben. Das ist die Idee hinter Drupal AI Search.

Herkömmliche Suchmaschinen suchen nach exakten Schlüsselwortübereinstimmungen. Wenn Sie „Nudeln kochen“ eingeben, zeigen sie nur Seiten an, die genau diese Wörter enthalten. Aber was, wenn der beste Artikel „Tipps zur Zubereitung italienischer Nudeln“ lautet? Sie könnten ihn komplett übersehen.

Drupal AI Search funktioniert anders. Es nutzt künstliche Intelligenz, um die Bedeutung hinter Wörtern zu verstehen. Es wandelt sowohl den Inhalt Ihrer Website als auch die Anfrage des Nutzers in spezielle numerische Darstellungen, sogenannte Embeddings, um. Diese Embeddings erfassen die Beziehungen zwischen Wörtern, Ideen und Kontext, ähnlich wie unser Gehirn ähnliche Konzepte verbindet.

Zum Beispiel: „Nudeln kochen“ und „Spaghetti richtig kochen“ – obwohl die Formulierung unterschiedlich ist, weiß Drupal AI Search, dass sie fast dasselbe bedeuten. Daher kann es bei einer Suche beide Ergebnisse anzeigen.

Warum die PostgreSQL-Vektordatenbank verwenden?

Es gibt mehrere spezialisierte Datenbanken für die Drupal AI-Suche, wie Pinecone, Milvus oder Weaviate. Diese Tools sind leistungsstark und speziell für die Vektorsuche entwickelt, erfordern aber oft die Einrichtung eines separaten Dienstes, die Verwaltung neuer Infrastruktur und zusätzliche Kosten.

Mit der pgvector-Erweiterung von PostgreSQL erhalten Sie die gleichen Vektorsuchfunktionen, ohne ein weiteres Datenbanksystem hinzufügen zu müssen. Sie können Embeddings direkt in Ihrer bestehenden PostgreSQL-Datenbank speichern und durchsuchen, derselben, die bereits Ihre Drupal-Website betreibt.

Dieser Ansatz bietet einige große Vorteile:

Keine zusätzliche Infrastruktur erforderlich: Sie nutzen die Datenbank, die Sie bereits haben.
Kostengünstig: Keine Notwendigkeit, für einen Drittanbieter-Vektordienst wie Pinecone zu bezahlen oder diesen zu warten.
Sicher und einfach: Ihre Daten bleiben in Ihrer eigenen Umgebung, was die Komplexität und das Integrationsrisiko reduziert.
Leistungsstark: PostgreSQL mit pgvector kann die semantische Suche für viele Drupal-Anwendungsfälle effizient verarbeiten.

Kurz gesagt, durch die Verwendung der Vektordatenbank von PostgreSQL können Sie die KI-gestützte semantische Suche schnell und kostengünstig in Drupal integrieren und dabei die Infrastruktur nutzen, der Sie bereits vertrauen.

Wie Drupal AI Search funktioniert

Drupal AI Search funktioniert, indem es sowohl den Inhalt Ihrer Website als auch Benutzeranfragen in ein Format umwandelt, das Computer verstehen können: Zahlen. Diese Zahlen, sogenannte Embeddings, repräsentieren die Bedeutung des Textes anstelle nur der Wörter.

Hier ist, was Schritt für Schritt passiert:

Inhalts-Embedding: Wenn neue Inhalte zu Ihrer Drupal-Website hinzugefügt werden, wandelt ein KI-Modell (wie OpenAI oder Hugging Face) den Text in ein Embedding um, eine Liste von Zahlen, die seine Bedeutung erfasst. Dieses Embedding wird dann mithilfe der pgvector-Erweiterung in Ihrer PostgreSQL-Datenbank gespeichert.
Abfrage-Embedding: Wenn jemand sucht, wird seine Abfrage ebenfalls in ein Embedding umgewandelt.
Ähnlichkeitssuche: PostgreSQL vergleicht das Embedding der Abfrage mit den gespeicherten Inhalts-Embeddings, um die ähnlichsten zu finden. Dieser Vergleich verwendet mathematische Distanz (wie Kosinus-Ähnlichkeit), um zu messen, wie nah die Bedeutungen beieinander liegen.
Ergebnis-Ranking: Die ähnlichsten Treffer werden zuerst angezeigt, wodurch der Nutzer die relevantesten Ergebnisse erhält, selbst wenn die genauen Wörter nicht übereinstimmen.

Wenn ein Nutzer also nach „einen Chatbot erstellen“ sucht, kann Drupal AI Search auch Ergebnisse wie „konversationelle Assistenten entwickeln“ anzeigen. Es versteht Bedeutung, nicht nur Text.

Drupal AI Search Einrichtung

Drupal-Module

Search API: Das zentrale Such-Framework für Drupal, das das Indizieren und Abfragen von Inhalten ermöglicht.
Key: Speichert API-Schlüssel für Ihre KI-Dienste sicher.
AI Core: Bietet die Basisarchitektur für KI-Integrationen in Drupal.
AI Provider: Verbindet Drupal mit externen KI-Modellen (z. B. OpenAI, Gemini).
Postgres VDB Provider: Ermöglicht die Unterstützung der PostgreSQL-Vektordatenbank (pgvector) zum Speichern und Abfragen von Embeddings.
AI Chatbot (AI Core): Fügt eine konversationelle Schnittstelle hinzu, über die Benutzer mit Website-Inhalten interagieren können.
AI Assistant (AI Core): Integriert intelligente Assistenten, die den Kontext verstehen und entsprechend Aktionen ausführen können.
AI API Explorer (AI Core): Hilft beim Testen und Verwalten von API-Verbindungen direkt in Drupal.
AI Agents: Automatisiert fortgeschrittene KI-gesteuerte Aufgaben und Workflows.

Datenbank

PostgreSQL 15+: Ihre Hauptdatenbank für Drupal.
PostgreSQL Vector Extension (pgvector): Fügt Vektordatentypen und Ähnlichkeitssuchfunktionen hinzu.

Installation

Lando-Dienste konfigurieren

name: drupal-11
recipe: drupal11
config:
  webroot: web
  php: "8.4"
  composer_version: "2-latest"
  xdebug: false
  via: nginx
  
services:
  appserver:
    build_as_root:
      - apt-get update && apt-get install -y libpq-dev && docker-php-ext-install pgsql
  pg:
    type: postgres:17
    portforward: true
    creds:
      database: database
      user: postgres
      password: NO PASSWORD
    build_as_root:
      - apt-get update && apt-get install -y
tooling:
  psql:
    service: pg
    cmd: psql -U postgres database

Die Vektor-Erweiterung aktivieren
1. Melden Sie sich bei Ihrem PostgreSQL-Dienst an:
2. Aktivieren Sie dann die pgvector-Erweiterung:
```
CREATE EXTENSION vector;
```
Die Installation überprüfen
1. Per Kommandozeile
```
/dx
```
2. pgAdmin

Vektor-DB konfigurieren

Postgres-Konfiguration

Führen Sie lando info --service pg aus, um die Konfiguration zu erhalten

Postgres-DB konfigurieren
Navigieren Sie zu: admin/config/ai/vdb_providers/postgres

Einstellungen	Beschreibung
HOST	Verwenden Sie den von Lando bereitgestellten internen Host (normalerweise database oder pg).
PORT	Verwenden Sie die interne Portnummer von Lando (Standard 5432).
BENUTZERNAME	postgres (oder der in .lando.yml definierte Benutzername).
DATENBANK	Verwenden Sie den in .lando.yml definierten Datenbanknamen (z. B. database).

Search API konfigurieren
1. Navigieren Sie zur Search API-Seite: admin/config/search/search-api
2. Server hinzufügen
  1. Backend auswählen: Drupal AI Search
  2. Embeddings-Engine
  3. Vektordatenbank: Postgres Vektor-DB
  4. Vektordatenbank-Konfiguration
    1. Datenbankname: database (Kann je nach Konfiguration geändert werden)
    2. Sammlung: Jede gültige Sammlung (Wenn die Sammlung nicht existiert, wird eine neue erstellt)
    3. Ähnlichkeitsmetrik: Die Kosinus-Ähnlichkeit misst, wie nah zwei Textstücke in ihrer Bedeutung sind, indem sie den Winkel zwischen ihren Vektordarstellungen berechnet; je kleiner der Winkel, desto ähnlicher sind sie.
3. Index hinzufügen
  1. Datenbankquelle: Inhalt (Kann beliebig sein)
  2. Server: Zuvor erstellter Server-Assistent
  3. Feld hinzufügen: Navigieren Sie zum Tab „Felder“
  4. Klicken Sie auf „Felder hinzufügen“, um ein neues Feld hinzuzufügen
    1. Auswählen: Body oder gerenderte HTML-Ausgabe:
      1. Typ: Volltext
      2. Indexoption: Hauptinhalt
    2. Titel:
      1. Typ: String
      2. Indexoption: Kontextueller Inhalt
Inhalt indizieren
1. Navigieren Sie zur Ansichtsseite des Index, um den Inhalt zu indizieren.
2. Sammlung in Postgres überprüfen.
Vektordatenbank testen
1. Navigieren Sie zu admin/config/ai/explorers/vector_db_generator
2. Prompt hinzufügen und DB-Abfrage ausführen.
3. Antwort:

KI-Assistent: Ihr konversationeller Suchbegleiter

Ein KI-Assistent ist eine intelligente, konversationelle Schnittstelle, die es Benutzern ermöglicht, natürlich mit Ihrer Website zu interagieren, genau wie mit einem intelligenten Helfer zu sprechen. Anstatt sich auf Schlüsselwortübereinstimmungen zu verlassen, versteht er den Kontext, ruft relevante Informationen ab und liefert menschenähnliche Antworten basierend auf dem Inhalt Ihrer Website.

Stellen Sie ihn sich als Brücke zwischen Ihren Inhalten und Ihren Benutzern vor, eine, die Absicht und Bedeutung versteht, nicht nur Wörter.

Kontext verstehen: Er gleicht nicht nur Schlüsselwörter ab, sondern versteht, wonach Benutzer tatsächlich fragen
Relevante Informationen abrufen: Mithilfe von RAG (Retrieval-Augmented Generation) durchsucht er Ihre indizierten Inhalte, um die relevantesten Antworten zu finden
Konversationelle Antworten liefern: Er antwortet in natürlicher Sprache, wodurch Informationen zugänglicher und benutzerfreundlicher werden
Aus Ihren Inhalten lernen: Der Assistent nutzt die tatsächlichen Inhalte Ihrer Website als Wissensbasis und gewährleistet so genaue und aktuelle Antworten

Schlüsselkomponenten eines KI-Assistenten

RAG (Retrieval-Augmented Generation): RAG ist das Rückgrat der intelligenten Suche. Anstatt sich ausschließlich auf vortrainiertes Wissen zu verlassen, ermöglicht RAG der KI:

Ihre Vektordatenbank nach relevanten Inhalten durchsuchen
Diesen Inhalt als Kontext nutzen, um genaue, website-spezifische Antworten zu generieren
Antworten liefern, die auf Ihrer tatsächlichen Dokumentation basieren

Konfigurationsparameter:

RAG-Schwellenwert: Steuert, wie genau Ergebnisse mit der Abfrage übereinstimmen müssen.
1. Niedriger = breitere Ergebnisse
2. Höher = strengere, relevantere Übereinstimmungen
Max. Ergebnisse: Begrenzt, wie viele Suchergebnisse der Assistent bei der Formulierung einer Antwort berücksichtigt
KI-Anbieter: Das zugrunde liegende Sprachmodell (OpenAI, Gemini usw.), das die konversationelle Schnittstelle antreibt
Prompt-Anweisungen: Sie können den Ton oder Zweck des Assistenten steuern, z. B. „Antworten Sie in kurzen, klaren Sätzen“ oder „Seien Sie detailliert und fügen Sie Beispiele hinzu.“

Einrichtungsschritte

Navigieren Sie zur KI-Assistenten-Seite: admin/config/ai/ai-assistant;
Klicken Sie auf „KI-Assistent hinzufügen“.
1. Grundkonfiguration hinzufügen:
  1. Bezeichnung
  2. Beschreibung
  3. Anweisung
2. RAG konfigurieren
  1. RAG aktivieren
  2. RAG-Datenbank auswählen
  3. RAG-Schwellenwert
  4. Max. Ergebnisse
3. KI-Anbieter auswählen

KI-Agent: Ihr intelligenter Aufgabenbearbeiter

Während ein Assistent sich auf die Beantwortung von Benutzerfragen konzentriert, kann ein KI-Agent komplexe mehrstufige Aufgaben planen, begründen und ausführen, indem er das KI-Ökosystem von Drupal nutzt, das von den Modulen AI Core, AI Provider und Postgres Vector Database (VDB) angetrieben wird.

Stellen Sie sich einen Agenten als intelligenten Drupal-Mitarbeiter vor, der Inhalte analysieren, Informationen abrufen und Aktionen automatisch ausführen kann, nicht nur auf Anfragen reagiert.

Ein KI-Agent kann:

Autonom Entscheidungen treffen: Komplexe Benutzeranfragen (wie „alle aktuellen KI-Blogbeiträge zusammenfassen“) in kleinere Aufgaben zerlegen und diese Schritt für Schritt ausführen.
Mehrere Tools verwenden: Integration mit dem **RAG/Vektor-Such-Tool**, APIs und anderen KI-Modulen, um seine Ziele zu erreichen.
Mehrstufige Workflows verwalten: Sequenzen wie das Abrufen verwandter Knoten, das Zusammenfassen von Daten und das Formatieren der Ausgabe durchführen.
Dynamisch anpassen: Seinen Ansatz basierend auf Kontext, Benutzereingaben oder Zwischenergebnissen anpassen.

KI-Agent vs. KI-Assistent: Hauptunterschiede

Merkmale	KI-Assistent	KI-Agent
Autonomie	Reagiert auf Benutzer-Suchanfragen und liefert kontextbezogene Antworten aus der Vektordatenbank	Kann mehrstufige Aktionen mithilfe von Drupal AI Search-Ergebnissen automatisch planen, begründen und ausführen
Komplexität	Verarbeitet einfache Fragen und Antworten	Verwaltet komplexe Workflows und Entscheidungsfindungen
Tool-Nutzung	Verwendet hauptsächlich das RAG/Vektor-Such-Tool, um relevante Ergebnisse abzurufen und anzuzeigen	Kann mehrere Tools verwenden und orchestrieren
Verhalten	Reaktiv (wartet auf Benutzereingabe)	Proaktiv (kann Aktionen basierend auf Zielen initiieren)
Anwendungsfälle	Semantische Suchantworten, Wissensdatenbank-Fragen und -Antworten, FAQ-ähnliche Interaktionen	Automatisierte Inhaltszusammenfassung, Extraktion von Erkenntnissen, Workflow-Orchestrierung oder Generierung von Berichten aus Drupal AI Search-Ergebnissen

Schwarm-Orchestrierung

Schwarm-Orchestrierung ermöglicht es mehreren KI-Agenten, zusammenzuarbeiten und ihre Bemühungen zu koordinieren, um zunehmend komplexe Probleme zu lösen. Dies ist nützlich, wenn:

Verschiedene Agenten über spezialisiertes Wissen oder Tools verfügen
Aufgaben die Zusammenarbeit mehrerer KI-Systeme erfordern
Sie die Arbeitslast auf verschiedene KI-Funktionen verteilen müssen

Struktur der Agenten-Anweisungen

Bei der Konfiguration eines Agenten unterteilen Sie die Anweisungen in drei klare Abschnitte:

Rolle: Definieren Sie, was der Agent ist und seinen Hauptzweck. Beispiel: „Sie sind ein technischer Dokumentationsassistent, spezialisiert auf Drupal-Entwicklung.“
Verhalten: Geben Sie an, wie der Agent handeln, kommunizieren und Entscheidungen treffen soll. Beispiel: „Geben Sie immer Codebeispiele an, wenn Sie Konzepte erklären. Seien Sie prägnant, aber gründlich. Wenn Informationen unvollständig sind, sagen Sie dies, anstatt zu raten.“
RAG-Verhalten: Definieren Sie, wie der Agent das Vektor-Such-Tool verwenden und Inhalte abrufen soll. Beispiel: „Verwenden Sie bei der Informationssuche zuerst das RAG-Tool. Wenn die Ergebnisse unzureichend sind, erkennen Sie die Einschränkung an. Zitieren Sie immer Quellen aus der Wissensdatenbank, wenn Sie Antworten geben.“

RAG/Vektor-Such-Tool

Das RAG/Vektor-Such-Tool ermöglicht Agenten:

Die Vektordatenbank nach relevanten Inhalten abfragen
Semantisch ähnliche Informationen basierend auf dem Kontext abrufen
Ihre Antworten auf tatsächliche Website-Inhalte statt auf allgemeines Wissen stützen
Genauere, domänenspezifische Antworten liefern

Konfigurationsschritte

Navigieren Sie zur KI-Agenten-Seite: admin/config/ai/agents
Agent konfigurieren:
1. Bezeichnung und Beschreibung hinzufügen
2. „Schwarm-Orchestrierungs-Agent“ aktivieren (wenn Sie eine Multi-Agenten-Koordination benötigen)
3. Detaillierte Anweisungen in drei Abschnitten bereitstellen:
  1. Rolle: Definieren Sie die Identität und den Zweck des Agenten
  2. Verhalten: Geben Sie an, wie er handeln und kommunizieren soll
  3. RAG-Verhalten: Erklären Sie, wie die Vektorsuche verwendet und abgerufene Inhalte verarbeitet werden sollen
4. Fügen Sie das Tool „RAG/Vektor-Such-Tool“ hinzu, um semantische Suchfunktionen zu aktivieren

Ihren Agenten testen

Testen Sie den RAG KI-Agenten, indem Sie zu: admin/config/ai/explorers/tools_explorer navigieren;

Verwenden Sie den Tools Explorer, um zu überprüfen, ob Ihr Agent:

Benutzeranfragen korrekt interpretiert
Relevante Inhalte aus der Vektordatenbank abruft
Genaue und kontextbezogene Antworten liefert
Das RAG-Tool angemessen verwendet

Deep Chat

Deep Chat Block hinzufügen.
1. Einen KI-Assistenten auswählen.
Deep Chat mit RAG testen
Traditionelle Suche mit KI verbessern
1. Navigieren Sie zur Index-Vorverarbeitungsseite: admin/config/search/search-api/index/{index}/processors
2. „Boost Database by Drupal AI Search“ aktivieren

Siehe auch

Wichtige Erkenntnisse

Drupal AI Search wechselt von der schlüsselwortbasierten Suche zum Verständnis von Bedeutung, unter Verwendung von KI-Embeddings und Vektordatenbanken.
Die Verwendung von PostgreSQL mit pgvector macht die KI-Suche erschwinglich und einfach zu implementieren, sodass Teams ihre aktuelle Drupal-Datenbank für die semantische Suche nutzen können.
Drupal AI Search nutzt Embeddings, Ähnlichkeitssuche und Ergebnis-Ranking, um hochrelevante und kontextbezogene Sucherlebnisse zu bieten.
Das KI-Ökosystem von Drupal geht über die Suche hinaus; es umfasst KI-Assistenten für konversationelle, RAG-gestützte Fragen und Antworten sowie KI-Agenten für die unabhängige, mehrstufige Aufgabenausführung.
Eine vollständige Einrichtungsanleitung hilft Entwicklern bei der Implementierung der semantischen Suche, von der Konfiguration von pgvector bis zur Bereitstellung von KI-Assistenten, Agenten und Deep Chat.