Full-Library Search in Zotero im Test: 10,000 PDFs in 7 Minuten indexiert, Abfragen in 19.5 ms
Ihre Zotero-Bibliothek enthält hunderte — vielleicht zehntausende — PDFs. „Ich erinnere mich, dass ein Paper in meiner Bibliothek genau das behandelt hat" … und dann? Durch Tags wühlen, nach Jahr sortieren, Schlüsselwörter raten. Zehn Minuten später suchen Sie immer noch. Zoteros eingebaute Suche kann einen Eintrag finden, aber sie beantwortet keine Frage — und erst recht synthetisiert sie nicht für Sie die Schlussfolgerungen aus 50 Papers.
PapersGPTs Full-Library Search ist genau dafür da: ein Häkchen setzen, und Ihre gesamte Bibliothek wird zu einer Wissensbasis, die Sie in natürlicher Sprache befragen können — mit direkten Antworten und anklickbaren Zitaten statt einer Liste von Papers, die Sie erst öffnen müssen.
In diesem Beitrag geht es um keine Konzepte — nur um drei Dinge: die Benchmark-Zahlen, wie man die Funktion benutzt und wo sie am meisten bringt.
Zuerst die Zahlen: 10,000 PDFs, weiterhin 19.5 ms
Die offiziellen Benchmarks haben vollständige Indexierungs- und Abfragetests bei zwei Bibliotheksgrößen gefahren (Daten aus dem Open-Source-Repo, 2.7k+ stars):
| Metrik | 1,000 PDFs | 10,000 PDFs |
|---|---|---|
| Rohdaten | 4.2 GB | 42 GB (~170k pages) |
| Indexierungszeit | 51.5 s | 7m 01s |
| Ø Abfragezeit | 13.1 ms | 19.5 ms |
| Speicher (RSS) | 353 MB | 2.21 GB |
| Indexgröße | 100 MB | 901 MB |
Drei Zahlen, die man sich merken sollte:
- 10× so große Bibliothek, +6.4 ms pro Abfrage. 13.1 ms → 19.5 ms — weniger als ein einziger Netzwerk-Roundtrip im Browser. Im Alltag fühlt sich die Suche in 100 Papers identisch an wie die in 10,000.
- 170,000 Seiten in 7 Minuten — eine einmalige Investition. Das sind rund 400 Seiten pro Sekunde. Nach der Indexierung bleibt jede Abfrage im Millisekundenbereich, und neu hinzugefügte Papers werden inkrementell indexiert. Kein Neuaufbau.
- 42 GB rohe PDFs werden zu einem 901 MB Index komprimiert (~2%) — genau deshalb läuft das bequem auf einem gewöhnlichen Laptop.
Wie es funktioniert
Full-Library Search lädt Ihre PDFs nicht in die Cloud eines anderen hoch — alles passiert auf Ihrem Rechner:
- Eine native C++-Engine. Der Indexierungs- und Retrieval-Kern ist in C++ geschrieben — dieselbe Sprachklasse wie Datenbank-Engines und Trading-Systeme — ganz ohne den Overhead eines Python/Node-Interpreters auf dem heißen Suchpfad.
- Strukturelle Indexierung statt „unscharfer" vektorbasierter Semantiksuche. Die Engine versteht die Dokumentstruktur (wo Titel, Abschnitte, Abstract und Literaturverzeichnis liegen) und kombiniert sie mit BM25-Volltext-Ranking — demselben Ranking-Modell, das hinter modernen Suchmaschinen steckt; für die Relevanz wissenschaftlicher Texte ist es weit zuverlässiger als generisches Vektor-Matching.
- Null Netzwerk-Roundtrips. Keine Upload-Warteschlangen, keine serverseitige Indexierung, keine API-Latenz. Die Geschwindigkeit, die Sie sehen, ist die Ihres eigenen Rechners.
Aus Nutzersicht: vier Szenarien, die sich auszahlen
1. Related Work schreiben: 50 Papers sortieren sich selbst
„Welche Papers in meiner Bibliothek nutzen Transformer für Time-Series-Forecasting, und welche Baselines vergleichen sie an?"
Full-Library Search durchleuchtet die gesamte Bibliothek, rankt nach Relevanz und synthetisiert — hinter jeder Aussage steht ein Zitat, das direkt zur Quelle springt. Sie verifizieren, statt zu suchen.
2. Das Paper finden, dessen Titel Sie vergessen haben
„Ich habe vor Monaten etwas über die Eindämmung von Halluzinationen mit synthetischen Daten gelesen — eine deutsche Gruppe, glaube ich."
Kein Titel nötig; beschreiben Sie einfach den Inhalt. Die Suche deckt Titel, Autoren, Tags, Abstracts sowie Ihre eigenen Annotationen und Notizen in Zotero ab — die Randnotiz, die Sie damals geschrieben haben, ist die beste Abfrage, die Sie heute eintippen könnten.
3. Prüfung widersprüchlicher Evidenz: die Versicherung vor der Verteidigung
Die fortgeschrittene Form davon ist Global Library Synthesis: die Analyse von bis zu 10,000+ Dokumenten gleichzeitig, um Forschungstrends, die Entwicklung von Begriffen und — am wichtigsten — widersprüchliche Schlussfolgerungen abzubilden. „Welche stützenden und welche widersprechenden Evidenzen enthält meine Bibliothek zu Effekt X?" Eine Frage, die von Hand eine Woche dauert, braucht hier Minuten.
4. Zehn Minuten vor der Gruppenbesprechung
„Gruppiere die Papers in meiner Bibliothek zu diesem Biomarker nach Stichprobengröße, größte zuerst, und fasse jede Gruppe zusammen."
Die Antwort landet im Chat-Fenster — kopierbar, als Zotero-Notiz speicherbar, mit jedem Zitat nachvollziehbar.
Wie es sich von Zoteros eingebauter Suche unterscheidet
| Zotero-eigene Suche | PapersGPT Full-Library Search | |
|---|---|---|
| Liefert | Eine Liste von Einträgen | Direkte Antworten + anklickbare Zitate |
| Dokumentübergreifende Synthese | ❌ | ✅ Vergleich über Papers hinweg, Analyse widersprüchlicher Evidenz |
| Abfragestil | Schlagwort-Abgleich | Natürliche Sprache (jede Sprache) |
| Abdeckung | Metadaten + Volltextindex | Volltext + Ihre Annotationen und Notizen |
| Typische Latenz | Sekunden | ~19.5 ms bis zum Ergebnis |
| Zusammenfassungen | ❌ | ✅ Angetrieben von 30+ LLMs |
Die beiden ergänzen sich: Zoteros Suche findet den Eintrag; Full-Library Search liefert Ihnen die Antwort.
Privatsphäre: funktioniert im Flugmodus
Indexierung und Retrieval laufen zu 100% lokal, ganz ohne Cloud-API. Konkret heißt das:
- Flugmodus-tauglich: Suche und Indexierung funktionieren vollständig offline.
- Kein Byte verlässt den Rechner: Ihre PDFs, Notizen, Annotationen und Abfragen bleiben auf Ihrer Maschine.
- Komplett offline-fähiger Workflow: Kombinieren Sie ihn mit einem lokalen Modell über Ollama (oder den integrierten Ein-Klick-Downloads von Open-Source-Modellen), und der ganze Kreislauf — von der Frage bis zur Antwort — läuft ohne Netzwerk. Ideal für unveröffentlichte Daten, interne Unternehmensforschung und Compliance-kritische Arbeit.
Und wenn Sie Ihre gesamte Bibliothek an Claude Code, Cursor oder ähnliche Agenten anbinden möchten, durchsucht der Zotero MCP Server die volle Bibliothek, ohne dass Sie Zotero überhaupt öffnen — derselbe lokale Index, zu Ihren Bedingungen.
Kombiniert mit Literature Radar: entdecken → einsortieren → durchsuchbar
Literature Radar fügt Ihrer Bibliothek laufend neue Papers hinzu (Explore zum Entdecken, Track zum Abonnieren), während Full-Library Search jedes einzelne davon — einen zehnjährigen Klassiker genauso wie den Preprint von gestern — in etwas verwandelt, das Sie sofort befragen können. Das eine verwaltet den Zufluss, das andere den Abruf. Zusammen schließen sie den Kreis.
Erste Schritte
- Laden Sie das PapersGPT-Plugin herunter (Zotero 7+), installieren Sie es und aktivieren Sie Search entire library im Chat-Panel.
- Stellen Sie Ihre Fragen in natürlicher Sprache — die Antworten kommen mit Zitaten.
- Full-Library Search ist in jedem Bezahlplan enthalten; neue Nutzer können sie zuerst über die kostenlose Testversion ausprobieren.
FAQ
Werden meine PDFs auf einen Server hochgeladen?
Nein. Indexierung und Retrieval laufen vollständig lokal — die Benchmarks oben wurden ohne jegliche Abhängigkeit von externen APIs ausgeführt. Ihre PDFs, Notizen und Abfragen verlassen Ihren Rechner nie.
Welche Bibliotheksgröße wird unterstützt?
Alles von 100 bis 10,000+ Papers. Die offiziellen Benchmarks decken 1,000 PDFs (51.5 s Indexierung) und 10,000 PDFs (7m 01s Indexierung, 19.5 ms Abfragen) ab. Die Indexierungskosten skalieren ungefähr linear; die Abfragelatenz bleibt konstant.
Wie unterscheidet sich das von Zoteros eingebauter Volltextsuche?
Zoteros Volltextsuche liefert eine Liste passender Einträge, die Sie einzeln öffnen und prüfen müssen. Full-Library Search liefert eine dokumentübergreifend synthetisierte Antwort mit anklickbaren Zitaten — und deckt auch Ihre Annotationen und Notizen ab.
Kann ich in meiner eigenen Sprache fragen?
Ja. Die Fragensprache folgt dem von Ihnen gewählten LLM — Chinesisch, Englisch und weitere Sprachen funktionieren; der Index selbst verarbeitet Volltexte in jeder Sprache.
Funktioniert es vollständig offline?
Indexierung und Retrieval ja (rein lokal). Das Generieren von Antworten braucht ein Netzwerk, wenn Sie ein Cloud-Modell wählen (GPT, Claude, DeepSeek usw.); wechseln Sie zu einem lokalen Modell über Ollama, läuft der ganze Kreislauf offline.