SurrealDB erklärt — Multi-Model, Graph, Vektor

Direkte Antwort

SurrealDB: SurrealDB ist eine Datenbank, die mehrere Datenmodelle in einer Engine anbietet: Dokumente wie in einer NoSQL-Datenbank, Beziehungen wie in einem Graphen, Embeddings für Ähnlichkeitssuche und Volltextindizes für Stichwörter. Praktisch heißt das: Du kannst in einer Abfrage fragen, welche Themen inhaltlich zu einer Frage passen und wie sie untereinander verknüpft sind.

Wichtigste Punkte

Dokument, Graph, Vektor und Volltext laufen in einer Datenbank mit einer Abfragesprache (SurrealQL).
Beziehungen sind eigene Datensätze (RELATE) und lassen sich ohne Join-Tabellen durchlaufen.
Hybride Suche kombiniert Embeddings, Stichwort-Ranking und Graph-Kontext, siehe RAG.
Als Kunde loggst du dich nie ein; du siehst das Ergebnis als verknüpften, zitierfähigen Themenkatalog.

— Steve Baka

Aktualisiert: 6. Oktober 2026 · Autor: Steve Baka

Was ist SurrealDB?

SurrealDB ist eine moderne Datenbank, die in Rust entwickelt wird. Sie ist Multi-Model: Du speicherst Datensätze als Dokumente mit verschachtelten Feldern, kannst sie aber zusätzlich über typisierte Kanten verbinden, mit Volltextindizes durchsuchen und mit Vektoren für semantische Nähe versehen. Abgefragt wird per SurrealQL, einer SQL-ähnlichen Sprache, die Beziehungen direkt durchlaufen kann, etwa „alle Glossarbegriffe, die mit diesem Thema verbunden sind, sortiert nach Ähnlichkeit zu dieser Frage“.

Das ist ein Unterschied zu klassischen Setups. Üblicherweise besteht ein Suchsystem aus einer relationalen Datenbank für die Daten, einem separaten Suchserver für Volltext, einer Vektordatenbank für Embeddings und gegebenenfalls einer Graphdatenbank für Beziehungen. Vier Systeme bedeuten vier Synchronisationspfade, vier Fehlerquellen und vier Betriebsaufgaben. SurrealDB bündelt diese Aufgaben, sodass ein Datensatz Inhalt, Embedding und Verknüpfungen an einem Ort trägt.

Die Datenbank kann eingebettet, als einzelner Server oder verteilt betrieben werden und trennt Daten über Namespaces und Datenbanken sauber voneinander. Sie ist wie andere Datenbanken nur ein Werkzeug: Der Nutzen hängt davon ab, wie gut die Inhalte gepflegt sind.

Wie funktionieren Graph, Vektor und Volltext zusammen?

Graph: Mit RELATE legst du Kanten wie „Begriff A gehört zu Thema B“ als eigene Datensätze an. Weil die Beziehung ein Datensatz ist, kann sie Eigenschaften tragen, etwa eine Gewichtung. Die Abfrage folgt den Kanten in beide Richtungen.

Volltext: Analyzer zerlegen Texte in Tokens, ein Index liefert Treffer mit Relevanzwert. Das eignet sich für exakte Begriffe, Eigennamen und Fachwörter — also dort, wo Embeddings leicht danebenliegen.

Vektor: Ein Embedding-Modell wandelt Text in Zahlenvektoren um. Ähnliche Bedeutung ergibt ähnliche Vektoren; die Datenbank findet über einen Vektorindex die nächsten Nachbarn. So trifft eine Frage wie „Wie mache ich meine Praxis-Webseite für ChatGPT sichtbar?“ auch Seiten, die das Wort „ChatGPT“ gar nicht nutzen.

Hybrid: Erst die Kombination liefert gute Ergebnisse. Ein typischer Ablauf: Die Frage wird eingebettet, Vektor- und Volltexttreffer werden gemischt, anschließend zieht der Graph verwandte Entitäten und Quellen hinzu. Das Ergebnis ist ein kompakter, belegbarer Kontext — die Grundlage für RAG-Verfahren.

Warum ist das für Webseiten und GEO relevant?

KI-Systeme zitieren Quellen, die klar, konsistent und verbunden sind. Eine Entity wie dein Unternehmen, eine Leistung oder ein Ort gewinnt Gewicht, wenn Beziehungen explizit sind: Leistung → Branche → Region → Beleg. Genau das bildet ein Graph ab. Eine Datenbank, die dasselbe mit Volltext und Embeddings verbindet, erleichtert es, Lücken zu finden, Duplikate zu erkennen und interne Links konsistent zu halten. Die inhaltliche Seite dazu beschreibt Knowledge Graph (Begriff); die Wirkung auf Sichtbarkeit steht in GEO & AI-Sichtbarkeit.

Wie setzt Modern Stack SurrealDB ein?

Unser Themenkatalog — Glossar, Themen, Regionen, Leistungen — liegt als redaktionelle Dateien vor und wird per Synchronisation in SurrealDB geladen. Dabei entstehen Embeddings, und Relationen werden in beide Richtungen gepflegt: Wenn ein Begriff auf ein Thema verweist, verweist das Thema auch zurück. Aus dem Graphen speisen sich interne Verlinkungen, Rankings und die Suche; die Webseite selbst bleibt statisch oder serverseitig gerendert auf Next.js. Für operative Daten wie Anfragen nutzen wir bewusst ein anderes System, Convex — jedes Werkzeug für seinen Zweck.

Du als Kunde merkst davon das, was zählt: verknüpfte Seiten mit klaren Antworten, korrekte Beziehungen und eine Struktur, die Maschinen nachvollziehen können. Das Modul dazu heißt Themenkatalog.

Wann lohnt sich SurrealDB — und wann nicht?

Für eine kleine Unternehmenswebseite mit zehn Seiten brauchst du keine Multi-Model-Datenbank. Sinnvoll wird sie, wenn viele Inhalte verknüpft werden, wenn semantische Suche oder KI-Kontext gebraucht wird oder wenn du Graph- und Textabfragen kombinieren willst. Wer nur klassische Tabellen mit Transaktionen braucht, ist mit PostgreSQL besser bedient.

Quellen

SurrealDB — Documentation — SurrealDB
Herstellerdokumentation zu Datenmodell, SurrealQL, Indizes und Betrieb.
SurrealDB — RELATE statement — SurrealDB
Erklärt, wie Graph-Kanten zwischen Datensätzen angelegt und abgefragt werden.
Knowledge Graph (Modul) — Modern Stack
Beschreibt, wie verknüpfte Themenseiten für Suche und KI aufgebaut werden.

Häufige Fragen

Sehe ich als Kunde etwas von SurrealDB?

Nicht als Oberfläche. Du siehst das Ergebnis: verknüpfte Themenseiten, saubere interne Links und Antworten, die Entitäten korrekt in Beziehung setzen. Es gibt keinen Login in unsere Datenbank.

Warum nicht einfach PostgreSQL?

PostgreSQL ist hervorragend, braucht für Graph- und Vektor-Workloads aber Erweiterungen und mehrere Abfragewege. SurrealDB bündelt Dokumente, Beziehungen, Embeddings und Volltext in einer Abfragesprache — das vereinfacht Entity- und Retrieval-Anwendungen.

Ist SurrealDB für kleine Webseiten nötig?

Nein. Eine Unternehmenswebseite funktioniert auch ohne. Der Nutzen entsteht, wenn viele verknüpfte Themen, Orte und Begriffe gepflegt und für Suche oder KI-Kontext abgefragt werden sollen.

Weiterlesen

Knowledge Graph
Thematische Seiten rund um Leistungen, Fragen und Fachgebiete — damit Sie zu Branchenthemen gefunden und in KI-Antworten zitiert werden, nicht nur zum Firmennamen. Zusatzmodul 500 €.
GEO & AI-Sichtbarkeit
Warum moderne Webseiten für Google und KI-Systeme strukturiert sein müssen — und wie Modern Stack die technische Grundlage für GEO, AIO und Zitation in generativen Antworten schafft.
Knowledge Graph (Begriff)
Ein Knowledge Graph speichert Wissen als Netz aus Entitäten (Knoten) und benannten Beziehungen (Kanten). Suchmaschinen nutzen ihn für Fakten; auf deiner Webseite ist er ein Themenkatalog mit klaren Verknüpfungen.
Webarchitektur im KI-Zeitalter — vom CMS-Monolithen zum reaktiven Full-Stack
Warum WordPress, Wix, Jimdo und Squarespace an Streaming, RAG und agentischen Workflows scheitern — und wie Next.js, Convex, SurrealDB, Resend und Vercel ein KI-taugliches Ökosystem bilden.
RAG
RAG (Retrieval-Augmented Generation) ergänzt ein Sprachmodell um eine Suchstufe: Vor der Antwort werden passende Textstellen abgerufen und dem Modell mitgegeben. Für Webseiten heißt das: klare, aktuelle, kurze Abschnitte.
Convex
Convex ist ein reaktives Backend-as-a-Service: Datenbank, serverseitige TypeScript-Funktionen und Echtzeit-Updates in einem System. Modern Stack nutzt es für Anfragen, CRM und Admin hinter der Webseite — sichtbar für Besucher ist nur das Ergebnis, nicht der Anbieter.
Next.js
Next.js ist ein React-Framework von Vercel für Webanwendungen und Unternehmensseiten. Es rendert Seiten auf dem Server oder vorab (SSR, SSG, ISR) und liefert fertiges HTML — gut für Geschwindigkeit, Suche und KI.
Webseite-Modernisierung
Was Webseite-Modernisierung bei Modern Stack bedeutet: bestehende WordPress- und Baukasten-Webseiten auf einen modernen Web-Stack bringen — Inhalte behalten, Technik erneuern, bereit für Google und KI-Suche.
Entity
Eine Entity (Entität) ist ein eindeutig identifizierbares Ding mit Eigenschaften und Beziehungen — etwa eine Firma, eine Person, ein Ort oder eine Leistung. Suchmaschinen und KI-Systeme ordnen Inhalte über Entities zu, nicht nur über Wörter.
Modern Stack
Modern Stack modernisiert bestehende Unternehmenswebseiten im D-A-CH-Raum — Technik erneuern, Inhalte behalten, lokal und in der KI-Suche sichtbar bleiben.
Next.js vs WordPress in der KI-Suche
Strategischer Bericht: Warum moderne Web-Stacks (Next.js) WordPress in der Ära von GEO und AIO technisch und zitationsseitig überlegen sind — inkl. Core Web Vitals, RAG-Pipelines und Princeton-Framework.
WordPress im KI-Zeitalter — 10 Gründe, warum der Monolith nicht mehr zeitgemäß ist
WordPress und Baukästen wurden für Dokumente gebaut — nicht für Token-Streaming, Agenten, RAG und Generative UI. Zehn strukturelle Gründe und der Wechsel zu Next.js, Convex, SurrealDB und dem Vercel AI SDK.
QI-GEO — Query-Implied Generative Engine Optimization
Technischer Leitfaden zu Query-Implied GEO: Intent aus der Dokumentstruktur ableiten, Wissenslücken schließen und Zitationsdichte in generativen Suchmaschinen maximieren — ohne explizite Ziel-Queries.