Retrieval Augmented Generation (RAG)

« Zurück zum Glossar Index

Retrieval-Augmented Generation (RAG) bezeichnet eine Architektur, bei der ein generatives Sprachmodell durch eine vorgeschaltete Informationssuche mit externen Dokumenten angereichert wird. Vor der Antwortgenerierung werden relevante Inhalte aus Datenquellen abgerufen und als Kontext in das Modell eingespeist. Ziel ist die Erhöhung faktischer Genauigkeit und Aktualität.

Funktionsweise und Einordnung

RAG kombiniert zwei Komponenten:

Retriever: Identifiziert relevante Dokumente zu einer Anfrage.
Generator: Erzeugt auf Basis der abgerufenen Inhalte eine Antwort.

Der typische Ablauf:

Eine Nutzeranfrage wird in einen Vektor transformiert.
Eine Vektor-Datenbank sucht semantisch ähnliche Dokumente.
Die relevantesten Passagen werden dem Sprachmodell als zusätzlicher Kontext übergeben.
Das Modell generiert eine Antwort unter Berücksichtigung dieses Kontexts.

Im Unterschied zu reinem Prompting greift RAG auf externe Wissensquellen zu. Dadurch können aktuelle, domänenspezifische oder proprietäre Daten eingebunden werden, ohne das Modell neu zu trainieren.

RAG ist eine technische Umsetzung des Prinzips „Grounding“.

Strategische Bedeutung für SEO und AI-Search

RAG verändert die Logik der Sichtbarkeit in AI-Search-Systemen.

Relevante Aspekte für Generative Engine Optimization:

Inhalte müssen semantisch klar strukturiert sein, um retrievbar zu werden.
Entitäten und Relationen erhöhen die Auffindbarkeit in Vektorräumen.
Präzise Definitionen steigern die Zitierwahrscheinlichkeit.

In RAG-Architekturen entscheidet nicht nur Ranking, sondern auch semantische Ähnlichkeit im Vektorraum. Dokumente mit hoher thematischer Kohärenz und eindeutiger Terminologie werden bevorzugt in den Kontext eingespeist.

Damit verschiebt sich SEO von reiner Klickoptimierung hin zur maschinellen Anschlussfähigkeit.

Beispiel

Ein Nutzer fragt:
„Was ist Generative Engine Optimization?“

Ein RAG-System durchsucht eine kuratierte Wissensdatenbank, findet eine definierende Passage und übergibt sie dem Sprachmodell. Die generierte Antwort basiert somit auf einem konkreten Dokument statt ausschließlich auf Trainingswissen.

Das erhöht Faktentreue und Nachvollziehbarkeit.

Häufige Fragen zu Retrieval-Augmented Generation (RAG)

Was ist der Vorteil von RAG gegenüber rein generativen Modellen?

RAG erweitert generative Modelle um externe Wissensquellen. Dadurch können aktuelle und domänenspezifische Informationen integriert werden. Die faktische Genauigkeit steigt im Vergleich zu rein internem Trainingswissen.

Benötigt RAG ein spezielles Modell?

RAG ist primär eine Architektur, kein eigenes Modell. Es kombiniert einen Retriever mit einem generativen Modell. Viele bestehende Large Language Models können in eine RAG-Struktur eingebunden werden.

Wie werden relevante Dokumente ausgewählt?

Relevante Dokumente werden meist über semantische Vektor-Suche identifiziert. Die Anfrage wird als Embedding berechnet und mit Dokument-Vektoren verglichen. Die ähnlichsten Treffer werden als Kontext genutzt.

Ist RAG eine Form von Grounding?

RAG ist eine konkrete Implementierung von Grounding. Durch die Einbindung externer Dokumente wird die Antwort an überprüfbare Quellen gebunden. Grounding ist das übergeordnete Prinzip, RAG eine technische Realisierung.