RAG (Retrieval-Augmented Generation)

Vor der Generierung werden relevante Dokumente abgerufen; bei guter Retrieval-Qualität steigen Faktentreue und Begründbarkeit.

Worauf man in der Praxis achten sollte

Bei RAG-Systemen wird die Antwortqualität oft weniger vom Modell selbst als vom Aufbau der Retrieval-Schicht entschieden. Wenn Chunking, Embeddings oder Suchkriterien unsauber sind, wirkt die Antwort zwar glatt, aber ihre Grundlage bleibt schwach.

In der Praxis ist es daher oft hilfreicher, das als Qualitätsproblem des Retrievals und nicht nur als LLM-Problem zu betrachten.

Praxishinweis

RAG (Retrieval-Augmented Generation) taucht häufig im Kontext von rag, llm, retrieval, ai auf. In der Praxis hilft es, nicht nur die Definition zu kennen, sondern auch zu verstehen, was mit diesem Begriff in Gesprächen oder Dokumenten knapp benannt werden soll.

Nahe Begriffe überlappen schnell und machen die Erklärung unscharf. Es ist daher hilfreicher, Ziel, Rolle und typische Einsatzsituation des Begriffs einen Schritt konkreter mitzudenken.

Lesefokus

Beim Lesen hilft es, zuerst zu klären, worum es geht, wovon der Begriff abgegrenzt werden soll und in welcher Art von Entscheidung er auftaucht. Bei RAG (Retrieval-Augmented Generation) ist der Kontext rag, llm, retrieval, ai bereits ein guter Einstieg.

Hilfreich ist außerdem, nicht bei der Definition stehenzubleiben. Besser ist es zu sehen, was der Begriff in einer fachlichen Unterhaltung knapp benennen soll.