chemenu/kb/concepts/architectures/RAG.md

type, concept_type, tags, created, modified, related, sources, provenance, summary

type	concept_type	tags	created	modified	related	sources	provenance	summary
types/concept.md	architecture	ai retrieval generation knowledge-management	2026-07-26	2026-08-29	see-also LLM Wiki Pattern see-also NotebookLM see-also ChatGPT	Source - LLM Wiki Pattern	sourced	Architekturmuster, bei dem LLMs die Generierung um Dokumente aus einer Wissensbasis anreichern.

RAG

Typ: Architecture (Retrieval Augmented Generation)

Definition

RAG (Retrieval Augmented Generation) ist ein KI-Architekturmuster, bei dem ein großes Sprachmodell (LLM) relevante Informationen aus einer Knowledge Base abruft, bevor es eine Antwort generiert. Dies ermöglicht dem LLM, Antworten bereitzustellen, die in externen Dokumenten verankert sind, anstatt sich ausschließlich auf seine Trainingsdaten zu verlassen.

Kernpunkte

Wie RAG funktioniert

1. Indexierung: Dokumente werden verarbeitet und für die Suche indexiert
2. Abruf: Bei jeder Abfrage werden relevante Chunks aus dem Index abgerufen
3. Augmentation: Abgerufene Chunks werden zum LLM-Kontext/Prompt hinzugefügt
4. Generierung: LLM generiert eine Antwort basierend auf seinem Wissen und den abgerufenen Chunks

Traditionelle RAG-Systeme

Beispiele sind:

• NotebookLM (Google)
• ChatGPT Datei-Uploads (OpenAI)
• Die meisten kommerziellen RAG-Implementierungen

Begrenzungen von traditionellem RAG

Laut dem LLM Wiki Pattern-Artikel:

1. Keine Knowledge Accumulation: Wissen wird bei jeder Abfrage von Grund auf neu abgeleitet
2. Keine persistente Synthese: Verbindungen zwischen Dokumenten werden nicht aufrechterhalten
3. Keine Querverweise: Keine expliziten Links zwischen verwandten Konzepten über Quellen hinweg
4. Keine Widerspruchserkennung: Konfliktinformationen werden nicht gekennzeichnet
5. Kein Compounding: Das Hinzufügen neuer Quellen baut nicht auf vorherigem Verständnis auf
6. Ineffizient für komplexe Abfragen: Subtile Fragen, die eine Synthese mehrerer Dokumente erfordern, müssen jedes Mal neu abgeleitet werden

Wann RAG geeignet ist

• Bei einfachen, einmaligen Fragen
• Für schnelle Informationssuche
• Wenn Persistenz und Compounding nicht erforderlich sind
• Wenn der Aufwand für Wiki-Wartung nicht gerechtfertigt ist

Wann über RAG hinausgehen

Das LLM Wiki Pattern in Betracht ziehen, wenn:

• Wissen im Laufe der Zeit angesammelt werden soll
• Persistente Querverweise benötigt werden
• Widersprüche zwischen Quellen gekennzeichnet werden sollen
• Wissen benötigt wird, das zusammengesetzt wird, wenn neue Quellen hinzugefügt werden
• Komplexe Abfragen, die Multi-Dokument-Synthese erfordern, häufig vorkommen

RAG vs. LLM-Wiki-Pattern

Aspekt	RAG	LLM-Wiki-Pattern
Knowledge Accumulation	Nein	Ja
Persistente Querverweise	Nein	Ja
Widerspruchserkennung	Nein	Ja
Knowledge Compounding	Nein	Ja
Wartung	Automatisch	LLM-gepflegt
Abfrage-Geschwindigkeit	Schnell	Schnell (nach Kompilierung)
Setup-Komplexität	Niedrig	Mittel
Am besten für	Einmalige Abfragen	Laufende Knowledge Accumulation

Implementierungen

RAG-Varianten

• Naive RAG: Einfache Ähnlichkeitssuche
• Vector RAG: Embedding-basierter Abruf
• Hybrid RAG: Kombiniert Schlüsselwort- und Vector-Suche
• Graph RAG: Verwendet Knowledge Graphs für Abruf

LLM-Wiki-Pattern als verbessertes RAG

Das LLM Wiki Pattern kann als eine Verbesserung zu RAG angesehen werden, die hinzufügt:

• Persistenz-Schicht (das Wiki)
• Automatische Querverweise
• Widerspruchserkennung
• Knowledge Compounding
• Menschliche Kuratierung in der Schleife

Tools, die RAG verwenden

• NotebookLM
• ChatGPT (mit Datei-Uploads)
• Viele unternehmensweite Knowledge-Management-Systeme
• Verschiedene Open-Source-RAG-Frameworks (LangChain, LlamaIndex, etc.)

Geschichte

• [2020] - Frühe RAG-Papers und -Implementierungen
• [2023] - Kommerzielle RAG-Systeme entstehen (NotebookLM, ChatGPT Datei-Uploads)
• [2023-2024] - LLM-Wiki-Pattern entwickelt als Verbesserung zu RAG
• [2026-07-26] - Konzeptseite erstellt

Siehe auch

• Knowledge Compounding

Beziehungen

• see-also: LLM Wiki Pattern
• see-also: NotebookLM
• see-also: ChatGPT