Thema

RAG und Wissenssysteme

Persönliches RAG, Retrieval im Produktivbetrieb, Chunking, Berechtigungen, Ingestion und Quellengrenzen.

13 Beiträge (7 Artikel · 6 Videos)

Hier beginnen

Einige gute Beiträge für den Einstieg, bevor Sie die vollständige Übersicht durchsuchen.

Weitere in diesem Thema

9 Min. Lesezeit
Artikel

Ein persönliches Wissenssystem zum Wiederfinden statt Horten

Ein klar begrenztes System vom Erfassen bis zum Wiederfinden mit festgelegten Einsatzfällen, Abruftests, Prüfterminen, Löschregeln und Warnungen zu sensiblen Notizen, Daten anderer Personen und Konten bei Anbietern.

Mittelstufe
20 Minuten
Video

Berechtigungen und Zugriffskontrolle für RAG – ein ausführliches Tutorial

Paragon. Das Video erläutert das Berechtigungsproblem produktiver RAG-Systeme und vergleicht Werkzeugaufrufe, Namespaces, ACL-Tabellen und beziehungsbasierte Berechtigungen. Damit stützt es direkt die Kernregel des Artikels: Retrieval darf nur Quellen zurückgeben, die der aktuelle Nutzer sehen darf, und die Berechtigungen der Quellsysteme dürfen nicht nachträglich ergänzt werden.

Fortgeschritten
7 Minuten
Video

Besseres RAG und leistungsfähigere KI-Agenten mit Docling

IBM Technology. Das Video erklärt die Aufnahmeseite von RAG und Agenten: PDFs und andere Dateien werden so vorbereitet, dass Dokumentstruktur, Tabellen und Layout für das nachgelagerte Retrieval erhalten bleiben. Das stützt die Warnung des Artikels, dass Qualität und Sicherheit von RAG bereits vor dem Embedding beginnen, besonders beim Parsen komplexer Geschäftsdokumente.

Fortgeschritten
11 Min. Lesezeit
Artikel

Sichere Dokumentenaufnahme für RAG: PDFs, OCR, Metadaten und Aufbewahrung

Die Qualität von RAG beginnt vor dem Retrieval. Ein Leitfaden zur sicheren Aufnahme von PDFs, OCR-Text, Metadaten, Berechtigungen und aktuellen Quellen sowie zu Löschung, Malware-Risiken und betrieblicher Verantwortung.

Fortgeschritten
11 Min. Lesezeit
Artikel

Einen KI-Agenten für den Kundensupport entwerfen: Triage, Wissen, Aktionen und Eskalation

Ein an der Warteschlange bewertetes Referenzdesign für Support-Triage, Retrieval, Antwortentwürfe, kontrollierte Aktionen und menschliche Eskalation mit den Richtlinien- und Messgrenzen für einen sicheren Pilotbetrieb.

Mittelstufe
11 Min. Lesezeit
Artikel

Ihren ersten KI-Agenten in n8n erstellen: ein Lead-Triage-Workflow von Anfang bis Ende

Ein anhand der Dokumentation geprüftes Design für die Lead-Triage in n8n: Eingaben validieren, Agent-Tools einschränken, strukturierte Ausgaben validieren, einen atomaren Vorschlag speichern und jede kundensichtbare Aktion durch eine Freigabe absichern.

Mittelstufe
12 Min. Lesezeit
Artikel

Prompting, RAG oder Fine-Tuning wählen — und wann Sie sie kombinieren sollten

Prompting, RAG und Fine-Tuning sind die drei großen Hebel, um große Sprachmodelle an Ihr Problem anzupassen. Jeder eignet sich für bestimmte Probleme und für andere nicht. Ein Entscheidungsrahmen, die realistischen Kosten jedes Ansatzes und erfolgreiche Kombinationsmuster für den Produktivbetrieb.

Fortgeschritten
11 Minuten
Video

Wie Sie NotebookLM für Anfänger im Jahr 2024 verwenden (NotebookLM-Tutorial)

TheAIGRID. Dieser ältere funktionsorientierte Rundgang zeigt gemischte Uploads, Fokus auf eine Quelle, Briefing-Dokumente und Audio Overviews in der damaligen Oberfläche. Er hilft, Workflow-Bausteine zu erkennen, bestätigt aber weder die aktuelle Gemini-Notebook-Oberfläche noch die heutige Funktionsverfügbarkeit.

Mittelstufe
26 Minuten
Video

So verwenden Sie NotebookLM (Googles KI-„Tool zum Verstehen“)

Tiago Forte. Tiago Forte, Autor von _Building a Second Brain_, demonstriert das damals NotebookLM genannte Produkt mit Notizen, PDFs und Ausschnitten. Das nützliche Muster besteht darin, einen begrenzten Quellenbestand auszuwählen, Dokumentfragen zu stellen, verlinkte Passagen zu prüfen und die entstandenen Artefakte in einen bestehenden Wissensworkflow einzuordnen.

Mittelstufe
9 Minuten
Video

RAG vs. Fine-Tuning

IBM Technology. Ein fokussierterer Vergleich der beiden Ansätze, die Teams am häufigsten verwechseln. Das Video vertieft Datenaktualität, Quellenzuordnung und den Geschwindigkeitsvorteil von Fine-Tuning zur Inferenzzeit. Es ist besonders nützlich, wenn Sie gegen ein unnötiges Fine-Tuning-Projekt argumentieren möchten.

Fortgeschritten
13 Minuten
Video

RAG vs. Fine-Tuning vs. Prompt-Engineering: KI-Modelle optimieren

IBM Technology. Eine klare Whiteboard-Darstellung aller drei Ansätze und ihrer jeweiligen Kosten: Retrieval-Latenz, Rechenaufwand für das Training und katastrophales Vergessen sowie die Grenzen reiner Prompt-Lösungen. Außerdem zeigt das Video, welche Kombinationen im Produktionseinsatz sinnvoll sind. Das abschließende Beispiel eines KI-Systems für den Rechtsbereich entspricht nahezu genau dem Argument des Artikels zur Kombination der Ansätze.

Fortgeschritten