Retrieval-Augmented Generation (RAG)
Auch: RAG, abrufgestützte Generierung
Retrieval-Augmented Generation (RAG) ist ein Verfahren, bei dem ein Sprachmodell vor dem Antworten passende Informationen aus einer Suche oder Datenbank abruft und seine Antwort darauf stützt. So entstehen aktuellere und belegbare Antworten.
Was ist Retrieval-Augmented Generation?
Ein Sprachmodell kennt nur, was in seinen Trainingsdaten stand. Bei RAG kommt ein Zwischenschritt hinzu: Das System sucht zuerst nach passenden Dokumenten (Retrieval) und erzeugt die Antwort dann auf Basis dieser Fundstellen (Generation). Der Begriff geht auf eine Forschungsarbeit von Lewis und Kollegen aus dem Jahr 2020 zurück.
So funktioniert RAG
- Frage verstehen: Das System wandelt die Frage in eine oder mehrere Suchanfragen um.
- Abrufen: Es holt passende Textabschnitte aus dem Web oder einer Datenbank.
- Antworten: Das Sprachmodell formuliert eine Antwort auf Grundlage der Fundstellen.
- Belegen: Viele Systeme zeigen die genutzten Quellen als Links an.
RAG in der Praxis
| System | Abrufquelle |
|---|---|
| Perplexity | Websuche, Quellen nummeriert |
| ChatGPT Search | Websuche mit Quellenlinks |
| AI Overviews | Google-Suchindex |
| Firmen-Chatbots | interne Dokumente und Wissensdatenbanken |
Bedeutung für GEO
- Nur was abgerufen wird, kann zitiert werden: Seiten müssen für Suchsysteme erreichbar und gut auffindbar sein.
- Abgerufen werden meist einzelne Abschnitte – klare Absätze mit direkter Antwort sind im Vorteil.
- Präzise Fakten mit Quelle verringern das Risiko von Halluzinationen.
Mehr dazu: Generative Engine Optimization.
Häufige Fragen
Nutzt jede KI RAG?
Nicht immer. Ohne Websuche antworten Sprachmodelle nur aus ihren Trainingsdaten.
Kann ich RAG für mein Unternehmen nutzen?
Ja, etwa für einen Chatbot, der Fragen auf Basis Ihrer eigenen Dokumente beantwortet.