RAG verständlich erklärt: Eigene Dokumente als Grundlage für Antworten

Suchen, bevor eine Antwort entsteht

Bei Retrieval-Augmented Generation, kurz RAG, werden passende Informationen aus einem Datenbestand gesucht und als Kontext für eine generierte Antwort verwendet. Microsoft beschreibt diesen Ansatz unter anderem für Azure AI Search.

Der praktische Nutzen liegt darin, eigene Dokumentation oder andere ausgewählte Inhalte in eine Antwort einzubeziehen. Das ist etwas anderes als die Annahme, ein Modell kenne automatisch den aktuellen Stand deines Projekts.

Was die Dokumente brauchbar macht

Eine Installationsanleitung sollte klar benannt, aktuell und in sinnvolle Abschnitte gegliedert sein. Widersprüchliche alte Fassungen erschweren die Auswahl passender Informationen. Quellen müssen außerdem nur für die Nutzer erreichbar sein, die sie tatsächlich sehen dürfen.

Als redaktionelles Beispiel: Ein Kunde fragt nach dem Datenbank-Setup seiner gekauften Vorlage. Das System sollte die passende Anleitung dieser Vorlage verwenden und nicht eine ähnliche Beschreibung eines anderen Produkts.

Prüfen statt vermuten

• Enthält die gefundene Passage wirklich die Antwort?
• Ist die Dokumentversion passend?
• Kann der Nutzer die Fundstelle nachvollziehen?
• Bleiben private oder fremde Kundendokumente ausgeschlossen?

RAG beseitigt nicht jede falsche Antwort. Wenn die Suche unpassende Informationen liefert, kann auch eine sprachlich überzeugende Ausgabe am Problem vorbeigehen. Plane deshalb eine verständliche Rückmeldung für Fälle ohne belastbare Quelle ein. Für kleine Hilfebereiche ist eine sorgfältig gepflegte, begrenzte Wissensbasis oft der bessere erste Schritt.