RAG (Retrieval-Augmented Generation) ist ein Verfahren, bei dem ein KI-Sprachmodell seine Antwort nicht frei aus dem Gedächtnis generiert, sondern zuvor gezielt passende Inhalte aus einer eigenen Wissensquelle abruft und diese als Grundlage nutzt. Das Modell kombiniert Retrieval (Suchen der relevanten Textstellen) mit Generation (Formulieren der Antwort). Ergebnis: belegbare Antworten aus deinen eigenen Daten mit deutlich weniger Halluzinationen.
Deine Inhalte werden in kleine Abschnitte zerlegt und als Vektoren (Embeddings) in einer Datenbank gespeichert. Bei einer Frage sucht das System die semantisch passendsten Abschnitte und reicht sie zusammen mit der Frage an das Modell.
Das Modell antwortet dann auf Basis genau dieser Quellen — oft mit Quellenangabe. Es rät nicht, sondern formuliert aus dem, was ihm vorgelegt wurde.
Ein Sprachmodell allein kennt deine internen Inhalte nicht und kann Fakten erfinden. RAG bindet aktuelles, unternehmenseigenes Wissen ein, ohne das Modell neu trainieren zu müssen.
Das ist günstiger, aktueller und nachvollziehbar: Du änderst die Wissensquelle, und die Antworten ändern sich mit — ohne teures Re-Training.
Support-Chatbots auf Basis der eigenen Dokumentation, interne Wissens-Assistenten, Produktberater im Shop. Überall dort, wo Antworten korrekt, aktuell und aus definierten Quellen kommen müssen.
Unser Chat-Produkt SilentChat nutzt RAG, um aus deinen eigenen Inhalten zu antworten statt aus generischem Modellwissen.
Ja, deutlich — weil das Modell aus vorgelegten, echten Quellen antwortet statt frei zu raten. Ganz ausschließen lassen sich Fehler nicht; gute Quellen und Quellenangaben helfen zusätzlich.
Nein. Das ist der Vorteil: RAG bindet dein Wissen zur Laufzeit ein. Du aktualisierst einfach die Wissensquelle, ohne das Modell neu zu trainieren.
Fine-Tuning verändert das Modell selbst mit Trainingsdaten. RAG lässt das Modell unverändert und liefert Wissen zur Antwortzeit — flexibler bei sich ändernden Inhalten.