RAG und Wissenssysteme

Ein persönliches RAG erstellen: mit eigenen Dokumenten chatten

Einen begrenzten dokumentengestützten Assistenten aufbauen und bewerten. Gehostete Notebooks, Projektarbeitsbereiche und konfigurierbares Retrieval vergleichen, ohne Herkunft oder Berechtigungen zu schwächen.

Produktionsreifes RAG entwickeln: Ingestion, Embedding, Retrieval, Reranking und Evals

Eine produktionsreife RAG-Pipeline umfasst sechs Stufen, deren spezifische Muster die Qualität bestimmen. Architektur, Entscheidungen je Stufe und konsequente iterative Evaluation unterscheiden ein funktionierendes RAG-System von einem enttäuschenden.

10 Min. Lesezeit

RAG für Unternehmenswissen: Berechtigungen, Datenlecks und Quellengrenzen

Ein Assistent für Unternehmenswissen ist nur sicher, wenn sein Retrieval Berechtigungen respektiert. So gestalten Sie RAG-Quellengrenzen, ACL-Filterung, Dokumentverantwortung, Protokollierung, den Umgang mit veralteten Quellen und sicheres Verweigerungsverhalten.

Weitere in diesem Thema

9 Min. Lesezeit

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.

20 Minuten

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.

7 Minuten

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.

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.

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.

Chunking, Reranking und hybride Suche: So funktioniert RAG wirklich

Die meisten RAG-Implementierungen scheitern an drei Punkten. Ein Praxisleitfaden für Dokument-Chunking, Reranking und die Kombination aus Schlüsselwort- und semantischer Suche — ohne Suchmaschinenexperte zu werden.

Context Engineering: Kontextfenster mit 1 Mio. Tokens ohne Qualitätsverlust nutzen

Kontextfenster mit 1 Mio. Tokens sind verfügbar, doch die Qualität sinkt lange vor diesem Grenzwert. Context Engineering ist die Disziplin, Kontextfenster wirksam zu nutzen: was aufgenommen, zusammengefasst oder aktuell abgerufen wird und welche Muster die Qualität bei wachsendem Kontext erhalten.

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.

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.

RAG jenseits von Chunking: Graph RAG, agentisches RAG und Long-Context RAG

Klassisches Chunk-basiertes RAG hat Grenzen. Graph RAG, agentisches RAG und Long-Context RAG überwinden sie auf unterschiedliche Weise. Erfahren Sie, wann welcher Ansatz das richtige Werkzeug ist, wie er tatsächlich funktioniert und welche Kompromisse im Produktivbetrieb relevant sind.

11 Minuten

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.

26 Minuten

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.

69 Minuten

Die 5 Ebenen der Textaufteilung für Retrieval

Greg Kamradt. Der Artikel widmet dem Chunking viel Raum; dieses Video erklärt besonders ausführlich und verständlich, was jede Chunking-Strategie tatsächlich bewirkt — vom rekursiven zeichenbasierten Splitten über dokumentstrukturabhängiges bis hin zu semantischem und agentischem Splitten. Nutzen Sie Gregs kostenloses Tool ChunkViz dazu, um vor der Feinabstimmung ein intuitives Verständnis zu entwickeln.

24 Minuten

„Llama3 soll mit meinem privaten Wissen zehnmal besser arbeiten“ – lokales agentisches RAG mit Llama3

AI Jason. Das Video behandelt genau den Stack, den der Artikel empfiehlt — Anfrageübersetzung, hybrides Retrieval, Reranking und einen Corrective-RAG-Kreislauf — in einem ausführbaren Aufbau. Es vermittelt ein funktionierendes mentales Modell dafür, wie die Pipeline Chunk → Rerank → Antwort aussieht, wenn sie ihre Aufgabe tatsächlich erfüllt.

17 Minuten

RAG-Agenten im Produktivbetrieb: 10 Erkenntnisse – Douwe Kiela, Erfinder von RAG

AI Engineer. Douwe Kiela leitete die ursprüngliche RAG-Forschungsarbeit bei FAIR und bringt RAG heute in regulierte Unternehmen. Der Vortrag konzentriert sich darauf, was im großen Maßstab nicht mehr funktioniert: Chunking-Strategien, die 100k Dokumente nicht überstehen, die Aussage „Genauigkeit wird vorausgesetzt, Ungenauigkeit ist das eigentliche Problem“ sowie die Frage, weshalb Quellenzuordnung und Observability wichtiger werden als das Embedding-Modell. Das bietet die richtige Einordnung, bevor Sie die Eval- und Monitoring-Abschnitte des Artikels erneut lesen.

19 Minuten

Produktionsreife RAG-Anwendungen entwickeln: Jerry Liu

AI Engineer. Der CEO von LlamaIndex erläutert die Lücke zwischen einer „naiven RAG-Demo“ und einer realen Pipeline: Small-to-Big Retrieval, Routing von Unterfragen, hybride Suche und Evaluation. Die Struktur seiner Folien entspricht nahezu direkt den Pipelineabschnitten des Artikels. Sehen Sie zuerst das Video und lesen Sie den Artikel anschließend mit seinen Diagrammen im Kopf erneut.

9 Minuten

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.

13 Minuten

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.

39 Minuten

Einführung in RAG 2.0: agentisches RAG und Wissensgraphen (KOSTENLOSE Vorlage)

Cole Medin. Eine funktionierende Implementierung von agentischem RAG mit Wissensgraphen, bei der der Agent entscheidet, wann er eine Vektorsuche, eine Abfrage von Neo4j oder beides ausführt. Dies ist die klarste YouTube-Demonstration des im Artikel beschriebenen Musters „Agent als Retrieval-Planer“ — mit Code, den Sie herunterladen und selbst ausführen können.

16 Minuten

Graph RAG: RAG mit Wissensgraphen verbessern

Prompt Engineering. Eine fokussierte Einführung in Microsoft GraphRAG: Entitätsextraktion, Community-Zusammenfassungen und abfrageorientierte Synthese, lokal eingerichtet und um Kostenhinweise ergänzt. Sehen Sie das Video speziell zum Graph-RAG-Abschnitt des Artikels. Die Kostendiskussion ist der Teil, den die meisten Darstellungen auslassen.