ki-konzepte RAG
Agentic RAG
Agentic RAG ist eine RAG-Architektur, in der ein Agent das Retrieval steuert — er zerlegt Fragen, sucht iterativ, prüft Treffer und entscheidet selbst, ob ein zweiter oder dritter Durchgang nötig ist.
Redaktion
RAG
Retrieval-Augmented Generation — Konzepte, Embeddings, Chunking, Reranking.
-
- ki-konzepte RAG
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.
Redaktion - ki-konzepte RAG
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.
Redaktion - ki-konzepte RAG
Cosine Similarity
Cosine Similarity misst die Ähnlichkeit zweier Vektoren über den Winkel zwischen ihnen — Standardmaß im RAG-Retrieval, um Embeddings einer Anfrage mit Embeddings im Vektor-Index zu vergleichen.
Redaktion - ki-konzepte RAG
GraphRAG
GraphRAG ist eine RAG-Variante, die statt reiner Vektorsuche einen Knowledge Graph nutzt — Antworten kommen aus verknüpften Entitäten und Beziehungspfaden, nicht nur ähnlichem Text.
Redaktion - ki-konzepte RAG
Hybrid Search
Hybrid Search kombiniert lexikalische Volltext-Suche (z. B. BM25) mit semantischer Vektor-Suche und vereint die Stärken beider Verfahren — präzise auf Keywords und robust auf Bedeutung.
Redaktion - ki-konzepte RAG
HyDE
HyDE (Hypothetical Document Embeddings) ist eine RAG-Technik, bei der ein LLM aus der Frage eine fiktive Antwort erzeugt — und dann mit deren Embedding nach echten Dokumenten sucht.
Redaktion - ki-konzepte RAG
Query Expansion
Query Expansion erweitert die ursprüngliche Suchanfrage in einer RAG-Pipeline um Synonyme, Reformulierungen oder hypothetische Antwort-Texte, um die Trefferquote des Retrievals zu erhöhen.
Redaktion - ki-konzepte RAG
Reranking
Reranking ordnet eine bereits gefundene Trefferliste mit einem genaueren Modell neu — typisch ein Cross-Encoder, der Anfrage und jeden Kandidaten gemeinsam bewertet, statt nur Vektor-Abstände zu vergleichen.
Redaktion - ki-konzepte RAG
Semantic Search
Semantische Suche findet Inhalte über Bedeutung statt über exakte Wortübereinstimmung — Anfrage und Dokumente werden als Embeddings verglichen, sodass auch Synonyme und Umschreibungen treffen.
Redaktion - ki-konzepte RAG
Vektor-Datenbank
Eine Vektor-Datenbank speichert Embeddings als hochdimensionale Vektoren und sucht darin nach semantischer Ähnlichkeit — die Kerninfrastruktur für RAG, semantische Suche und Empfehlungssysteme.
Redaktion