Sprachmodelle wissen viel — aber nicht dein Firmenwissen, nicht die letzten Mails, nicht das interne Wiki. RAG (Retrieval Augmented Generation) verheiratet dein Wissen mit der Sprachfähigkeit des Modells: Bei jeder Frage ziehen wir relevante Dokumente aus einer Vektor‑Datenbank und geben sie als Kontext mit.
Die fünf Phasen einer RAG‑Pipeline:
- Ingestion: Dokumente laden (PDF, DOCX, HTML).
- Chunking: in semantische Stücke teilen.
- Embedding: jedes Chunk → Vektor (z. B. 1536 Dimensionen).
- Retrieval: bei Frage → Top‑K ähnlichste Chunks holen.
- Generation: Chunks + Frage → LLM antwortet mit Quellen.
Faustregel: RAG = „LLM mit Bibliotheksausweis".
Zurück zu Künstliche Intelligenz