RAG (retrieval-augmented generation)
RAG bedeutet, dass das Modell bei der Antwortgenerierung Dokumente abruft, anstatt sich nur auf das zu verlassen, was es beim Training memorisiert hat.
Ohne Retrieval ist das Modell ein gut redendes Archiv mit Stichtag. Mit RAG durchsucht es einen Index – das Web, einen Vektorstore, dein Notion – und schreibt dann mit diesen Passagen im Kontext.
Perplexity setzt stark auf RAG. ChatGPT Search nutzt RAG, wenn das Browsen aktiviert ist. Google AI Overviews mischen Retrieval mit dem Suchindex, den du schon kennst. GEO ist im Grunde der Kampf, in diesem abgerufenen Satz zu landen.
Die Qualität der Chunks ist entscheidend. Wenn deine Seite ein einziger Marketing-Blob ist, zieht der Retriever einen nutzlosen Ausschnitt. Wenn jeder Abschnitt für sich steht, bekommst du passagenbasierte Zitate.
Reddit RAG ist einfach RAG über Threads. Das Chunk kann ein Kommentar sein, keine Seite. Deshalb kann eine Anekdote mit 40 Upvotes deine Whitepaper übertrumpfen.
Beispiele
- Ein Support-Bot, der aus deinen Dokumenten antwortet, ist RAG. Wenn er die Dokumente ignoriert und eine Rückerstattungsrichtlinie erfindet, ist das Retrieval fehlgeschlagen oder wurde nie richtig angeschlossen.
- ChatGPT zitiert einen Blogpost aus 2024 für eine Preisfrage aus 2026, weil der Live-Fetch deine /pricing-Aktualisierung verpasst hat. Veraltetes RAG, nicht „der Algorithmus hasst dich“.
Verwandte Begriffe
Vektoren, die Bedeutung repräsentieren. Sie ermöglichen semantische Suche und RAG. Ihre Seite wird zu einem Punkt im Raum.
Kombination von Keyword- (BM25) und Vektor-Retrieval. Viele RAG-Stacks machen dies. Ihre Substantive und Ihre Bedeutung zählen beide.
Das Datum, nach dem die Gewichte des Modells das Web nicht mehr enthalten. Alles Neuere benötigt Browsing oder RAG.
Query-Fan-out tritt auf, wenn eine Nutzerfrage zu vielen internen Suchen wird. Sie könnten für eine Teilabfrage zitiert werden, die Sie nie gezielt angegangen sind.
Finden der nächsten Nachbarn im Embedding-Raum. Kern von RAG. Unklare Seiten clustern zusammen und verlieren.
FAQ
Ist RAG dasselbe wie Fine-Tuning? +
Nein. Fine-Tuning ändert die Gewichte. RAG lässt das Modell unangetastet und stopft Beweise in den Prompt. Die meisten KI-Suchen, die du als Nutzer erlebst, sind RAG plus Memory.
Wie optimiere ich für RAG? +
Klare Überschriften, faktische Chunks, einzigartige Daten, crawlbare HTML. Dann sichere dir Plätze in den Indizes, die diese Systeme durchsuchen – inklusive Reddit.
In Reddex tracken
Sehen Sie Reddit-Threads und KI-Antworten zu Ihrer Marke an einem Ort. Starten Sie mit einer kostenlosen Analyse.
Jetzt starten