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.
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.
- Siehe auch
-
- Wissensgraph Wissen als Netz aus Knoten und benannten Beziehungen statt als Liste nach Datum. Die Struktur zeigt, was womit zusammenhängt.
- Schlagwörter