Ich habe mittlerweile herausgefunden, dass die Suchmaschine von Ecency ziemlich gut und schnell ist. Beispiel: https://ecency.com/search?q=achim%20mertens%20midpoint
Was Muster und Zusammenhänge betrifft: diese ONNX-Emmbeddings haben meine Themen semantisch geclustert. Daraus ergeben sich die unterschiedlichen "Communities" (also Themenkategorien) und "Nähen" zueinander. Letztendlich wird, so habe ich es verstanden, auch hier ein hochdimensionaler (über 500 Dimensionen) Vektorraum aus meinen Daten erstellt, wo jeder Artikel einen Punkt drin darstellt. Diese Dimensionen werden (verlustreich) reduziert auf 3 Dimensionen, die man dann darstellen kann. Dadurch finde ich ähnliche Artikel relativ nah beieinander. Und Artikel mit gleicher Kategorie sehe ich farblich beisammen. Das Ergebnis steht mir nicht nur graphisch zur Verfügung, sondern QMD und Meilisearch nutzen es als Input um mir in Millisekundenschnelle Suchergebnisse zu liefern, die auch mal unscharf formuliert sein dürfen.