RAG (Retrieval-Augmented Generation), im AI-Kontext.
RAG kombiniert LLM-Generierung mit Retrieval aus eigener Knowledge-Base. Statt halluzinierter Antworten zitiert das Modell aus deinen Quellen.
Retrieval-Augmented Generation kombiniert ein Sprachmodell mit einer Such-Schicht über kuratierte Quellen. Der User-Prompt wird zuerst in eine Vektor-Suche geleitet, die relevante Snippets aus eigener Knowledge-Base zieht. Das Modell sieht die Snippets im Kontext und generiert eine Antwort, die nachweislich auf diesen Quellen basiert. Vorteil: weniger Halluzination, mehr Faktendichte, klare Provenance. Nachteil: zusätzliche Latenz, Pflege der Knowledge-Base als Daueraufgabe. RAG ist heute Default-Architektur für enterprise-grade Chatbots und Knowledge-Assistenten.
Beispiele aus dem Mittelstand
- Ein Marie-Chatbot für eine Dental-Praxis nutzt RAG über die Praxis-Knowledge-Base, statt frei zu halluzinieren.
- Ein SaaS-Support-Bot zieht aus der Dokumentation per Vector-Suche und antwortet zitierfähig.
Folge-Fragen
Was unterscheidet RAG von Fine-Tuning?
Fine-Tuning ändert das Modell selbst, RAG lässt das Modell unverändert und liefert pro Anfrage frische Kontext-Snippets. Fine-Tuning ist statisch, RAG dynamisch.
Welcher Vector-Database-Stack?
Pinecone und Weaviate als Managed-Optionen. pgvector in Postgres bei DSGVO-Pflicht. Chroma für Prototypen.
Wie kuratiere ich die Knowledge-Base?
Pflicht-Owner pro Quelle, Versionierung, Lösch-Trigger bei Änderungen. Ohne Pflege veraltet die RAG-Quelle und das Modell zitiert falsch.
RAG (Retrieval-Augmented Generation) in der Praxis.
Wo dieser Begriff in deinem Geschäft konkret wird, beginnt die Arbeit. Wir nennen klar, ob die Idee in unser Studio passt.
KI-ChatbotWeiter in unserem Wissens-Tree:
KI-Chatbot für Dienstleister ohne Tech-Team →