S-RAG

S-RAG — ausführlicher erklärt

Fangen wir beim normalen RAG an. RAG steht für Retrieval-Augmented Generation: Dein Wissen wird in kleine Häppchen zerlegt, in sogenannte Embeddings übersetzt — das sind die numerischen Repräsentationen eines Textstücks — und wenn deine KI etwas sucht, bekommt sie die Häppchen zurück, die der Frage am ähnlichsten sind.

Das funktioniert, ist aber erstaunlich roh. Klassisches RAG holt einfach die Top-Treffer nach reiner Ähnlichkeit und hört da auf. Kein Ranking nach Wichtigkeit, kein Gespür dafür, ob eine Information vielleicht veraltet ist, keine Idee davon, was sonst noch mit einem Treffer zusammenhängt.

Und genau da macht es klick: Das alles — Relevanz gewichten, nach Aktualität sortieren, Autorität und Verlinkung als Signal nutzen — ist exakt das, was Suchmaschinen seit über zwanzig Jahren machen. Information Retrieval ist die gemeinsame Wurzel von Suchmaschinen und RAG. RAG-Teams erfinden diese Konzepte gerade mühsam neu. S-RAG bringt sie aus der Suchmaschinen-Welt schon fertig mit.

Konkret legt S-RAG drei Dinge auf klassisches RAG drauf:

• Ranking — Treffer werden nicht nur nach Ähnlichkeit, sondern nach echter Relevanz sortiert, so wie eine Suchmaschine ihre Ergebnisliste ordnet.
• Decay — neuere, aktuellere Informationen bekommen mehr Gewicht, ältere verlieren langsam an Einfluss. Das System bevorzugt automatisch den frischen Stand.
• Getypte Verlinkung — jedes Häppchen kennt seine verwandten Häppchen und weiß auch, warum sie zusammenhängen. Die KI kann von einem Treffer direkt weiterspringen, statt jedes Mal neu zu suchen.

Gerade der letzte Punkt fängt einen Fall, an dem reine Ähnlichkeitssuche scheitert: wenn zwei Dinge inhaltlich eng zusammenhängen, aber kaum dasselbe Vokabular teilen. Die Ähnlichkeit findet sie nie zusammen — ein expliziter, begründeter Verweis von einem Häppchen zum nächsten schon.

Beispiel / Praxisbezug

Stell dir eine interne Wissensbasis vor. Deine KI sucht nach der Definition einer Kennzahl und bekommt über die Ähnlichkeitssuche den passenden Chunk. In klassischem RAG endet die Geschichte hier. In S-RAG trägt dieser Chunk einen getypten Verweis: „hängt zusammen mit dem Berechnungs-Beispiel“ und „gehört zum übergeordneten Reporting-Prozess“. Die KI lädt diese verknüpften Stellen direkt über ihre IDs nach — ohne eine zweite Suchanfrage abzufeuern. Sie arbeitet sich am Thema entlang, statt blind nach Stichworten zu raten.

Abgrenzung zu ähnlichen Begriffen

S-RAG ist kein Ersatz für RAG, sondern eine veredelte Form davon — RAG bleibt der Unterbau, Ranking, Decay und getypte Verlinkung kommen oben drauf. Vom verwandten Agentic RAG unterscheidet es sich darin, dass dort ein Agent die Retrieval-Strategie steuert, während S-RAG die Qualität des Retrievals selbst verbessert; beide lassen sich kombinieren.

Ein Wort zum Namen. Das „S“ lösen wir bewusst als Search auf, nicht als SEO. Genau genommen wäre SEO sogar logisch korrekt: „Search Engine Optimization“ heißt wörtlich „für eine Suchmaschine optimieren“, und da S-RAG selbst eine Suchmaschine für dein Wissen ist, optimierst du tatsächlich für eine. Das Problem ist nicht die Logik, sondern die Wahrnehmung: „SEO“ ist fest mit „bei Google nach oben kommen“ verknüpft. Damit der Begriff nicht in die falsche Schublade rutscht, steht öffentlich „Search-optimized“. Dass dahinter jahrelange SEO-Praxis steckt, bleibt die Herkunft des „S“ — nicht seine wörtliche Auflösung.

Ein Nebeneffekt der sauberen Struktur: Ein S-RAG-Bestand lässt sich jederzeit als lokales OKF-Bundle exportieren — also als verlinkte Markdown-Dateien nach offenem Standard. Dein Wissen bleibt portabel, der Vendor-Lock-in entfällt.

Entdecke mehr

Glossar

RAG

RAG (Retrieval-Augmented Generation) verbindet ein Sprachmodell mit einer externen Wissensquelle — passende Passagen werden gesucht und mit der Frage zusammen ans Modell gegeben.

Glossar

Embedding

Ein Embedding ist eine Zahlenrepräsentation (Vektor) von Text, Bild oder anderen Daten, in der semantisch ähnliche Inhalte räumlich nah beieinander liegen.

Glossar

Chunking

Chunking ist das Zerlegen längerer Texte in kleinere, eigenständig sinnvolle Abschnitte — der erste Schritt jeder RAG-Pipeline, weil Embeddings und Retrieval auf Stück-Ebene arbeiten.

Themenuebersicht

KI-KonzepteRAG