Wie schneidet Hippocampus im Vergleich zu Vertex AI Search (Agent Search) ab?

Vertex AI Search (Agent Search) ist die bessere Wahl für Dokumente, die bereits in Google Drive, Cloud Storage oder BigQuery liegen, oder wenn Berechtigungen pro Nutzer von einem föderierten Identitätsanbieter kommen müssen. Hippocampus ist die bessere Wahl, wenn jede Antwort an Seite und Byte-Bereich überprüfbar sein muss und Sie selbst wählen möchten, welches Sprachmodell antwortet. Vertex AI Search ist eines von fünf Systemen im Thalius-Bericht zu FinanceBench, SECQUE und LegalBench-RAG und nicht Teil des FDA-Benchmarks.

Wird Vertex AI Search in Agent Search umbenannt?

Ja: Laut Googles Dokumentation wird Vertex AI Search in Agent Search umbenannt, Teil der Gemini Enterprise Agent Platform, und die API ist weiterhin discoveryengine.googleapis.com (geprüft im Oktober 2026).

Setzt Vertex AI Search Dokumentberechtigungen durch?

Ja, pro Nutzer, wenn die Zugriffskontrolle beim Anlegen des Datenspeichers gewählt wird: Ergebnisse sind auf Dokumente beschränkt, die der suchende Nutzer sehen darf, mit der Identität aus Google Identity oder einem föderierten Anbieter wie Entra ID, Okta oder Ping (geprüft im Oktober 2026). Hippocampus setzt Freigaben für Ordner und Dokumente, Gruppen und Vererbung innerhalb der Suche durch, vor dem Ranking.

Kann ich meine Daten in der EU behalten?

Ja, bei beiden, mit unterschiedlichen Grenzen. Vertex AI Search bietet eine EU-Multiregion mit Datenresidenz im Ruhezustand, in der einige Funktionen gegenüber dem globalen Standort eingeschränkt sind (geprüft im Oktober 2026). Hippocampus speichert Dokumente und die Wissensstruktur in der EU (Finnland); die Modellinferenz läuft standardmäßig in den USA und kann im Corporate-Paket EU-gehostet oder in Ihrer eigenen Umgebung laufen.

Welche Antwortmodelle unterstützen die beiden?

Vertex AI Search antwortet mit Gemini-Modellen, gewählt über eine Einstellung der Modellversion (geprüft im Oktober 2026). Hippocampus arbeitet mit jedem Sprachmodell: Sie wählen, welches Modell antwortet, festgelegt pro Workspace, und im Corporate-Paket können Sie Ihren eigenen Modellschlüssel verwenden.

Wurde Hippocampus in einem Benchmark mit Vertex AI Search verglichen?

Ja, in drei öffentlichen Benchmarks. In unserem Benchmark-Bericht, Version 3.1 (20. Oktober 2026), erreicht Hippocampus eine Erfolgsquote von 92,2 % auf FinanceBench, 81,2 % auf SECQUE und 85,7 % auf LegalBench-RAG, gegenüber 40,6 %, 44,7 % und 76,1 % für Vertex AI Search. Vertex AI Search ist nicht Teil unseres FDA-GLP-1-Benchmarks.

Vergleich · 18. Oktober 2026

Hippocampus vs Vertex AI Search (Agent Search), im Vergleich über zehn Dimensionen

Vertex AI Search, das Google in Agent Search umbenennt, Teil der Gemini Enterprise Agent Platform (Google-Cloud-Dokumentation, geprüft im Oktober 2026), ist die bessere Wahl, wenn Ihre Dokumente bereits in Google Drive, Cloud Storage oder BigQuery liegen, wenn Berechtigungen pro Nutzer aus einem föderierten Identitätsanbieter kommen müssen oder wenn Ihr Team auf Gemini aufbaut. Hippocampus ist die bessere Wahl, wenn jede Antwort an einer Seite und einem Bytebereich überprüfbar sein muss, wenn Sie wählen wollen, welches Sprachmodell antwortet, festgelegt pro Workspace, und wenn Sie die Wissensbasis als offenes Markdown zurückhaben wollen. Vertex AI Search ist nicht Teil unseres FDA-Benchmarks. In öffentlichen Benchmarks ist Vertex AI Search eines von fünf Systemen in unserem Benchmark-Bericht: siehe FinanceBench, SECQUE und LegalBench-RAG.

Dieser Artikel vergleicht die beiden Produkte Dimension für Dimension und nennt das Produkt im Folgenden Vertex AI Search (Agent Search). Unser früherer Beitrag Hippocampus gegen OpenAI File Search und PageIndex ist ein Benchmark anderer Systeme; Vertex AI Search war nicht Teil davon. Wir vergleichen außerdem Hippocampus vs OpenAI File Search und Hippocampus vs PageIndex.

Überblick

Dimension	Hippocampus	Vertex AI Search (Agent Search)
Hosting-Region und Self-Hosting	Dokumente und die Wissensstruktur werden verschlüsselt in der EU (Finnland) gespeichert. Die Modellinferenz läuft standardmäßig in den USA; im Corporate-Paket kann sie EU-gehostet oder in Ihrer eigenen Umgebung laufen. Hosting in der eigenen Cloud oder On-Premises ist Teil des Enterprise-Pakets. Sicherheit	Standorte: global sowie Multiregionen USA und EU mit Datenresidenz im Ruhezustand. Google empfiehlt global für den vollen Funktionsumfang; einige Funktionen sind in den Multiregionen USA und EU eingeschränkt. On-Premises oder Self-Hosting: nicht dokumentiert. Standorte (geprüft im Oktober 2026)
Quellenangabe (Zitat auf Seitenebene)	Jede Antwort trägt Dokument, Abschnittspfad, Start- und Endseite, Byte-Offsets und den verwendeten Text. Die Zitate stammen aus dem Retrieval-Schritt, nicht vom Modell.	Die Answer-Methode kann für jeden Satz eine Quelle zitieren. Eine separate Check Grounding API zitiert pro Aussage stützende Chunks mit einem Support-Score. Zitat auf Seitenebene: nicht dokumentiert. Answer-Methode, Check Grounding (geprüft im Oktober 2026)
Durchsetzung von Berechtigungen zur Abfragezeit	Innerhalb der Suche als Filter vor dem Ranking durchgesetzt; liefert nichts, wenn Berechtigungen nicht geprüft werden können. Eine Zusammenfassung über mehrere Dokumente ist nur für Personen sichtbar, die alle davon lesen dürfen. Agenten unterliegen denselben Berechtigungen. Sicherheit	Ergebnisse sind auf Dokumente beschränkt, die der suchende Nutzer sehen darf, anhand von beim Import gelieferten Zugriffslisten und der Identität aus Google Identity oder föderierten Anbietern (Entra ID, Okta, Ping). Deckt Cloud Storage, BigQuery, Google Drive und Drittquellen ab. Wird beim Anlegen des Datenspeichers gewählt; bis zu 3.000 Leser pro Dokument. Zugriffskontrolle (geprüft im Oktober 2026)
Verhalten bei unbeantwortbaren Fragen	Liefert das Retrieval nichts, wird die Frage abgelehnt, nicht geraten. Eine Ablehnung kostet dieselben Credits wie eine Antwort.	Opt-in: Anfrageoptionen überspringen die Antwort bei adversarialen oder nicht auf eine Antwort zielenden Anfragen und liefern Suchergebnisse, oder sie liefern eine Ausweichantwort, wenn Inhalte nicht relevant sind. In den Beispielen sind sie standardmäßig ausgeschaltet. Answer-Methode (geprüft im Oktober 2026)
Retrieval-Architektur (strukturiertes Gedächtnis vs. Vektorindex vs. Dateisuche)	Strukturiertes Gedächtnis, beim Import aufgebaut: ein Baum pro Dokument mit einer Index-Zusammenfassung, Abschnittszusammenfassungen und Blattabschnitten mit Seiten und Bytebereichen. Zwei Trichter, top-down über die Zusammenfassungen und bottom-up als Stichwort- plus Embedding-Suche über die Blattabschnitte, zu einem Ranking zusammengeführt. Entwickler	Verwaltetes Parsing (Digital-, OCR- oder Layout-Parser) und Dokument-Chunking für RAG; semantische und hybride Suche. Interna von Ranking und Embedding: nicht dokumentiert. Dokumente parsen und chunken, Preise (geprüft im Oktober 2026)
Unterstützte Antwortmodelle	Jedes Sprachmodell. Sie wählen, welches Modell antwortet, festgelegt pro Workspace; im Corporate-Paket können Sie Ihren eigenen Modellschlüssel nutzen oder die Modelle von Administratoren festlegen lassen. Entwickler	Gemini-Modelle, gewählt über eine Einstellung der Modellversion. Andere Modelle für die Answer-Methode: nicht dokumentiert. Modelle für die Antwortgenerierung (geprüft im Oktober 2026)
Verfügbarkeit von API und MCP	Ein MCP-Server mit OAuth-Anmeldung im Browser und eine REST-API im Early Access. Entwickler	REST-API mit Client-Bibliotheken, eine Konsole und ein einbettbares Widget. Ein von Google gehosteter Remote-MCP-Server mit Tools für Suche, dialogorientierte Suche und das Auflisten von Engines. MCP-Referenz (geprüft im Oktober 2026)
Exportformat der Daten	Open Knowledge Format: ein Ordner pro Dokument aus Markdown mit YAML-Front-Matter, mit der Index-Zusammenfassung, dem Volltext, der Originaldatei und einem Ordner pro Abschnitt. Über die API lesbar, exportierbar, solange das Konto aktiv ist. Entwickler	Keine Exportfunktion und kein Exportformat dokumentiert. Dokumente lassen sich über die REST-API auflisten und Chunks als JSON lesen. Format für den Massenexport: nicht dokumentiert. documents.list, Dokumente parsen und chunken (geprüft im Oktober 2026)
Verwendung von Kundendaten für das Training	Nie zum Trainieren von KI verwendet, weder von Thalius noch von den Modellanbietern; ihre Verträge untersagen es. Sicherheit	Google erklärt, Ihre Daten nicht ohne Ihre Erlaubnis oder Anweisung zum Trainieren oder Feinabstimmen von Modellen zu verwenden. Ein branchenspezifischer Zusatz zur Datennutzung erlaubt Google, Stichproben von Daten zur Verbesserung seiner Technologien zu ziehen; ob er für eine einfache Such-App gilt: nicht dokumentiert. Data Governance, Bedingungen zur Datennutzung (geprüft im Oktober 2026)
Preismodell und Free-Paket	Credits, eine Einheit in jedem Paket. Free-Paket mit monatlich enthaltenen Credits und ohne Kreditkarte, Starter und Corporate nach Angebot. Eine Ablehnung kostet dasselbe wie eine Antwort. Beträge unter Preise	Zwei Modelle: nutzungsabhängig pro 1.000 Anfragen zuzüglich Indexspeicher oder ein konfigurierbares Abonnement mit Mindestmengen. Ein monatliches kostenloses Testkontingent an Anfragen. Beträge auf der Preisseite (geprüft im Oktober 2026)

Benchmark

Vertex AI Search ist eines von fünf Systemen in unserem öffentlichen Benchmark-Bericht, Version 3.1 (20. Oktober 2026). Bei der Erfolgsquote erreicht Hippocampus 92,2 % auf FinanceBench gegenüber 40,6 % für Vertex AI Search, 81,2 % auf SECQUE gegenüber 44,7 % und 85,7 % auf LegalBench-RAG gegenüber 76,1 % (bei Vertex AI Search wurden die Anführungszeichen aus der Suchanfrage entfernt, wie dieser Beitrag erklärt). Vertex AI Search ist nicht Teil unseres FDA-GLP-1-Benchmarks. Unser veröffentlichter Benchmark nutzt zehn öffentliche FDA-Dokumente zu Saxenda, Wegovy und Zepbound (2.198 Seiten) und sechzehn Fragen, die das Team von Atrogi geschrieben hat. Der Korpus, die Fragen und die Hippocampus-Ergebnisse stehen im FDA-GLP-1-Benchmark, und jedes veröffentlichte Ergebnis steht unter Nachweise.

Wann Vertex AI Search (Agent Search) die bessere Wahl ist

Ihre Dokumente liegen in Google Drive, Cloud Storage oder BigQuery, und Berechtigungen müssen der Identität jedes Nutzers folgen: Vertex AI Search (Agent Search) filtert Ergebnisse nach der Zugriffsliste des suchenden Nutzers, mit der Identität aus Google Identity oder föderiert aus Entra ID, Okta oder Ping (Zugriffskontrolle, geprüft im Oktober 2026).
Sie wollen eine separate Grounding-Prüfung: Die Check Grounding API bewertet einen Antwortkandidaten mit 0 bis 1 gegen gelieferte Fakten und zitiert pro Aussage stützende Chunks (Check Grounding, geprüft im Oktober 2026).
Sie wollen eine verwaltete Parsing-Pipeline innerhalb von Google Cloud: Digital-, OCR- und Layout-Parser, Chunking für RAG und Datenresidenz im Ruhezustand in den Multiregionen USA oder EU (Dokumente parsen und chunken, Standorte, geprüft im Oktober 2026).
Ihr Team baut auf Gemini auf: Die Answer-Methode nutzt Gemini-Modelle, gewählt über eine Einstellung der Modellversion (Modelle für die Antwortgenerierung, geprüft im Oktober 2026).

Hippocampus mit denselben Dokumenten testen

Laden Sie die Dokumente hoch, die Sie in einen Datenspeicher von Vertex AI Search (Agent Search) legen würden, stellen Sie Hippocampus dieselben Fragen und öffnen Sie dann zu jeder Antwort die zitierte Seite. Kostenlos starten, ohne Kreditkarte. Lesen Sie vorher, wie Hippocampus Berechtigungen durchsetzt und wo es Dokumente speichert, die API, den MCP-Server und das Exportformat, wie Credits in jedem Paket funktionieren und Hosting in der eigenen Cloud oder On-Premises im Enterprise-Paket.

Quellen und letzte Aktualisierung

Zuletzt aktualisiert: Oktober 2026.