Begriff
Contextual Retrieval
Contextual Retrieval ist eine RAG-Technik von Anthropic, die jedem Chunk vor dem Indexieren einen vom LLM generierten Kontext-Satz voranstellt — und so die Trefferqualität deutlich erhöht.
Contextual Retrieval — ausführlicher erklärt
Klassisches RAG zerlegt Dokumente in Chunks und embeddet sie isoliert — wobei der Bezug zum Gesamtdokument verloren geht. Ein Chunk wie „Der Umsatz stieg um 12 %” sagt ohne Kapitel- und Quartals-Kontext nichts aus. Contextual Retrieval lässt vor dem Indexieren ein LLM (z. B. Claude) für jeden Chunk einen kurzen Kontext-Satz erzeugen, der den Chunk im Dokument verortet, und stellt ihn dem Chunk-Text voran. Dieser angereicherte Text wird dann sowohl in einen Vektor-Index (Contextual Embeddings) als auch in einen BM25-Index (Contextual BM25) geschrieben — beide Verfahren laufen parallel, ihre Treffer werden zusammengeführt.
Beispiel / Praxisbezug
Anthropic berichtet in eigenen Messungen 35 % weniger Retrieval-Fehler nur durch Contextual Embeddings, 49 % durch die Kombination mit Contextual BM25 und 67 % zusätzlich mit einem nachgelagerten Reranker. Die einmaligen Indexierungs-Kosten — ein LLM-Call pro Chunk — amortisieren sich, weil der Index statisch ist und nur bei Updates neu erzeugt werden muss. Prompt Caching senkt die Kosten zusätzlich, weil das Quelldokument im LLM-Call wiederverwendet wird.
Abgrenzung zu ähnlichen Begriffen
Query Expansion arbeitet zur Anfrage-Zeit und erweitert die Such-Anfrage; Contextual Retrieval arbeitet zur Indexierungs-Zeit und reichert die zu durchsuchenden Chunks an. Reranking läuft nach dem Retrieval und sortiert Treffer um, ohne den Index zu verändern. In der Praxis lassen sich alle drei Verfahren stapeln.
Entdecke mehr
KI-Workflows per Keyword: Wie wir wiederkehrende Abläufe erzwingbar machen
Ein getipptes Keyword löst bei uns einen festen KI-Ablauf aus — und jeder Schritt muss committet werden, bevor der nächste kommt. Warum das der Trick ist.
GlossarS-RAG
S-RAG (Search-optimized RAG) ist boostN.ais Variante von Retrieval-Augmented Generation, die klassisches RAG um Suchmaschinen-Prinzipien erweitert: Relevanz-Ranking, Decay nach Aktualität und getypte Verlinkung zwischen Chunks für deterministisches Nachladen.
LexikonRAG-Tuning und Balancing — Embeddings, Gewichte, Decay und MCP für Fortgeschrittene
Wie man Retrieval gezielt steuert: Embedding-Wahl, Hybrid-Gewichte, Reranker-Cascade, Time-Decay, Authority-Boost, MMR und MCP als Retrieval-Tool.