Sprachmodelle & Wissen
Retrieval-Augmented Generation verstehen
Retrieval-Augmented Generation ergänzt ein Sprachmodell um gefundene Informationen. Die Qualität beginnt deshalb vor dem Formulieren: bei Auswahl, Gültigkeit und Nachvollziehbarkeit der Quellen.
Kurz erklärt
RAG verbindet die Suche nach externen Informationen mit einer nachfolgenden generativen Verarbeitung. Die Demo zeigt nur die vorgelagerte Suche und Quellenkontextvorbereitung: echte lokale TF-IDF-Suche, nachvollziehbare Treffer und erkennbare Konflikte zwischen Dokumentversionen.
Simulation öffnenKostenlos · im Browser · ohne Anmeldung
Auf einen Blick
- Retrieval sucht passenden Kontext; es bestätigt nicht automatisch dessen Wahrheit.
- Datum, Gültigkeit und Zugriffsrechte gehören zur Quellenauswahl, nicht erst zur fertigen Antwort.
- Ein fehlender Treffer oder ein Quellenkonflikt braucht einen eigenen Prozesspfad statt einer erfundenen Antwort.
Suchen und Formulieren sind verschiedene Aufgaben
Eine Frage nach einer aktuellen Freigabegrenze lässt sich nicht allein durch flüssige Sprache beantworten. Zuerst muss die geltende Regel gefunden werden. Retrieval-Augmented Generation verbindet diesen Zugriff auf Informationen mit einer nachfolgenden generativen Verarbeitung. Der ursprüngliche RAG-Ansatz kombiniert dafür ein generatives Modell mit einer abrufbaren Dokumentensammlung (Lewis et al. 2020).
Die Unterscheidung der Schritte ist praktisch wichtig. Ein Suchsystem kann die falsche Version liefern, obwohl ein Sprachmodell den Text anschließend korrekt zusammenfasst. Umgekehrt kann die richtige Quelle vorliegen und trotzdem falsch wiedergegeben werden. Unser interaktives Beispiel konzentriert sich deshalb auf die erste Aufgabe: Dokumente finden, ihre Metadaten zeigen und einen Quellenkontext zusammenstellen. Es enthält bewusst keinen Generator.
Lexikalische Suche mit TF-IDF
Die kleine Sammlung besteht aus fünf erfundenen Dokumenten. Eine Anfrage wird in Wörter zerlegt, häufige Funktionswörter werden entfernt, und für jedes verbleibende Wort wird ein Gewicht berechnet. Wörter, die in wenigen Dokumenten vorkommen, erhalten relativ mehr Gewicht als allgegenwärtige Begriffe. Die verwendete geglättete Variante lautet:
Dabei ist die Zahl aller Dokumente und die Zahl der Dokumente mit dem Wort . Die Termhäufigkeit zählt tatsächliche Vorkommen. Dokument- und Anfragevektoren werden auf Länge eins normiert. Ihr Skalarprodukt entspricht dann der Kosinus-Ähnlichkeit. Diese verbreitete Gewichtung ist in der offiziellen Dokumentation beschrieben (scikit-learn: TF-IDF).
Alle Gewichte werden aus der festen Gesamtsammlung berechnet. Der Gültigkeitsfilter schränkt anschließend die auswählbaren Dokumente ein. Eine geänderte Trefferzahl verändert deshalb nicht heimlich die Wortgewichte. Wörter, die in der Sammlung gar nicht vorkommen, können keinen Treffer erzeugen.
Ein Beispiel mit widersprüchlichen Regeln
Das Dokument P-2026 vom 1. Oktober 2026 erlaubt der Teamleitung Bestellungen bis 5.000 Euro. Das archivierte Dokument P-2024 nennt 2.000 Euro. Beide enthalten die Wörter „Einkauf“ und „Freigabe“. Eine Suche nach diesen Begriffen kann deshalb beide Fassungen finden. Ein hoher Suchwert entscheidet nicht, welche Regel gilt.
Die Sammlung enthält außerdem Hinweise zu Hotelkosten, IT-Vorfällen und Einkaufsangeboten. Für jedes gefundene Dokument zeigt der Rechner Kennung, Datum, Status, Suchwert und unveränderten Text. Wählen Sie mehrere Quellen, wird der Unterschied zwischen den beiden Freigabegrenzen sichtbar. Der Konflikttest verwendet ausdrücklich hinterlegte Faktenfelder mit derselben Kategorie und verschiedenen Werten. Er ist kein Sprachverständnis und keine allgemeine Widerspruchserkennung.
Mit „Nur gültige Quellen“ fällt die archivierte Regel heraus. Das ist möglich, weil ihr Status in diesem Beispiel bekannt ist. In einem echten Bestand müsste geklärt sein, wer Gültigkeit vergibt, wie Ersatzfassungen verknüpft sind und ob eine neue Regel tatsächlich auf den konkreten Vorgang zutrifft.
Quellenkontext selbst zusammenstellen
RAG-Grundlage: Quellenkontext mit TF-IDF finden
Die Demo durchsucht lokale Beispieldokumente und zeigt ihren Quellenkontext. Sie erzeugt keine Modellantwort.
Beginnen Sie mit „Einkauf Freigabe“ und erlauben Sie alle fünf Treffer. Aktivieren Sie anschließend den Gültigkeitsfilter. Prüfen Sie, welche Information durch diese Auswahl verloren geht und welche Mehrdeutigkeit verschwindet. Suchen Sie danach einen Begriff, der in keinem Dokument steht: Die richtige Ausgabe ist fehlende Evidenz.
Die maximale Quellenzahl begrenzt den Kontext. Ein kleiner Wert kann einen relevanten Beleg oder einen widersprüchlichen Hinweis ausblenden. Mehr Treffer sind aber nicht automatisch besser: Unpassende Texte können nachfolgende Verarbeitung erschweren. Die Auswahl benötigt deshalb eine fachliche Bewertung und sollte zusammen mit der späteren Antwort protokolliert werden.
Grenzen und sinnvolle Prüfungen
TF-IDF erkennt hier nur gemeinsame Wörter, keine Synonyme, grammatischen Varianten oder Bedeutungen. Eine Anfrage in der falschen Sprache kann deshalb trotz passendem Inhalt ohne Treffer bleiben. Suchwerte sind weder kalibrierte Relevanzwahrscheinlichkeiten noch Wahrheitswerte. Auch der als gültig markierte Text könnte inhaltlich falsch sein.
Vor einer praktischen Verwendung braucht es Testfragen mit erwarteten Belegen, absichtlich fehlenden Antworten und widersprüchlichen Versionen. Prüfen Sie getrennt, ob die richtige Quelle gefunden, korrekt ausgewählt und später zutreffend verwendet wurde. Zugriffsrechte müssen bereits beim Retrieval gelten; ein nachträglicher Hinweis in einer Antwort ersetzt keine Berechtigungsprüfung.
Vom Beleg zur überprüfbaren Entscheidung
Ein nachgeschaltetes Sprachmodell könnte aus dem Quellenkontext einen Antwortentwurf formulieren. Dieser Schritt findet hier nicht statt. Für verbindliche Aktionen reicht ein plausibler Entwurf ohnehin nicht: Regeln und Optimierung zeigt den Übergang von dokumentierten Vorgaben zu expliziten Bedingungen. Transformer Attention erklärt eine Rechenkomponente der Sprachverarbeitung.
Häufige Fragen
Generiert die Demo eine KI-Antwort?
Nein. Sie berechnet eine lokale lexikalische Suche und zeigt unveränderte Dokumentausschnitte als Quellenkontext. Es läuft kein Sprachmodell und es wird keine Antwort als Modellleistung dargestellt.
Verhindert RAG Halluzinationen vollständig?
Nein. Quellen können fehlen, veraltet oder falsch sein; ein nachgeschaltetes Modell kann sie zudem falsch verwenden. Retrieval, Quellenprüfung und Antwortprüfung sind getrennte Aufgaben.
Ist TF-IDF dasselbe wie semantische Suche?
Nein. TF-IDF gewichtet vorkommende Wörter. Es erkennt in dieser Demo keine Synonyme oder inhaltlich ähnlichen Formulierungen ohne gemeinsame Wörter.
Quellen und weiterführende Literatur
- PaperLewis, P. et al. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020.
- Quellescikit-learn contributors (2026): Feature extraction: TF-IDF term weighting. Official documentation.
Zuletzt fachlich geprüft am 14. November 2026. Hinweise auf Fehler nehmen wir gern entgegen: impressum@nyxai.com.