Retrieval-Augmented Generation
Fragen mit einem Sprachmodell beantworten, indem zuerst passende Stellen aus einem Wissensbestand gesucht und dem Modell als Kontext mitgegeben werden.
Noch nicht von einer Person geprüft
Mit Retrieval-Augmented Generation (RAG) antwortet ein Sprachmodell aus einem bestimmten Wissensbestand. Zur Frage werden zuerst passende Stellen gesucht, meist per Vektorsuche über Embeddings, und das Modell antwortet daraus, mit Quellenangaben. Ein Wissensgraph kann die Beziehungen rund um die Treffer als weiteren Kontext beisteuern. Dieses Thema sammelt, wie RAG funktioniert und wie es gebaut wird.
Beruht auf
-
Building the knowledge graph site with Claude Code
(
raw/2026/2026-11-11/building-the-knowledge-graph-site-with-claude-code.md) [chat]
Mehr dazu
Behandelt in
- Die Suche meiner Wissensdatenbank vermessen Fünf lokale Embedding-Modelle gegen 26 Testfragen: warum die Suche jetzt mit BGE-M3 statt multilingual-e5-small läuft, mit einem neuen Mindestwert.
Gehört zu
- KI / Sprachmodelle Wofür ich Sprachmodelle einsetze: Agenten, lokale Modelle, RAG und kleine Programme, in denen ein Modell eine Aufgabe übernimmt.
Siehe auch
- Wissensgraph Wissen als Netz aus Knoten und benannten Beziehungen statt als Liste nach Datum. Die Struktur zeigt, was womit zusammenhängt.