Was ist RAG?
Was ist das?
Eine RAG-Pipeline (Retrieval-Augmented Generation) lässt ein Modell anhand deiner Dokumente antworten: Sie werden in Chunks zerlegt und eingebettet, dann werden für jede Frage die passenden Auszüge gesucht und dem Modell übergeben.
Wann verwenden
- Einen Assistenten anhand interner Dokus oder eines Produktkatalogs antworten lassen.
- Halluzinationen verringern, indem das Modell seine Quellen nennt.
Felder der Seite
| Quellen | Verwendete Dokumente und wie sie aktualisiert werden. |
|---|---|
| Chunking | Chunk-Größe und Überlappung. |
| Embeddings und Vektordatenbank | Das Embedding-Modell und wo die Vektoren gespeichert werden. |
| Retrieval | Anzahl der behaltenen Auszüge und optionales Reranking. |
| Prompt-Vorlage | Der Text, der an das Modell geht, mit {{context}} und {{question}}. |
So nutzt du es
Tab „Verwenden“: Lade die JSON-Konfiguration herunter; das Python-Beispiel beschreibt jeden Schritt.