Was ist Retrieval-Augmented Generation (RAG)?

Retrieval-Augmented Generation, kurz RAG, ist eine Architektur, in der ein Sprachmodell zur Laufzeit relevante Dokumente aus einer Wissensquelle abruft und sie als Kontext für seine Antwort verwendet. Statt sich allein auf das im Training Gelernte zu stützen, gründet das System seine Antworten auf aktuelle, überprüfbare Daten.

Definition

Eine RAG-Pipeline besteht aus drei Schritten. Zunächst wird die Anfrage in ein Embedding übersetzt und gegen einen Vektorspeicher indexierter Dokumente abgeglichen. Dann werden die Top-Treffer zusammen mit der Anfrage an das Sprachmodell übergeben. Schließlich erzeugt das Modell eine Antwort, die die abgerufenen Inhalte zitiert oder paraphrasiert. Der Retrieval-Schritt sorgt dafür, dass Antworten den aktuellen Datenstand widerspiegeln.

Warum es zählt

RAG begegnet zwei Schwächen reiner LLM-Nutzung: veraltetem Trainingsstand und Halluzination. Durch die Verankerung in autoritativen Quellen wie Produktkatalog, Knowledge Base oder Policies entstehen Antworten, die auditierbar und leichter aktuell zu halten sind. Es ist das vorherrschende Muster für KI-gestützte Suche, Support-Assistenten und Shopping-Berater im Commerce.

Implementierung

Ein funktionierendes RAG-System braucht gut segmentierte Quelldokumente, eine zur Domäne passende Embedding-Strategie und einen ausreichend dimensionierten Vektorspeicher. Die Qualität hängt von der Retrieval-Treffsicherheit ebenso stark ab wie vom Sprachmodell selbst. Composable-Storefronts stellen Produkt-, Content- und Policy-Daten häufig über APIs bereit, die sowohl die menschliche Storefront als auch den RAG-Index versorgen, sodass beide synchron bleiben.

Verwandt

Mehr dazu: Agentic Frontend Management Platform · Composable Digital Experience Platform.