Muster werden geladen…
Wissensabruf (RAG)
Muster für Informationsabruf und augmentierte Generierung
In 30 Sekunden
- Was
- Ruft relevante Informationen aus externen Quellen ab und gibt sie an ein Sprachmodell weiter, um fundierte Antworten mit aktuellem oder spezialisiertem Wissen zu erzeugen.
- Wann einsetzen
- Anwendungen, die aktuelle Informationen, fachspezifische Wissensbasen oder faktische Korrektheit mit Quellenangabe über große Dokumentbestände hinweg benötigen.
- Achtung
- Schlechte Retrieval-Qualität liefert irrelevante Informationen und verschlechtert die Antwortqualität, egal wie gut das Modell Text erzeugt.
Den KI-Experten zu diesen Patterns befragen
Öffnet den Assistenten mit vorbereiteter Frage. Sie prüfen sie vor dem Senden.
Überblick
Muster für den Wissensabruf, insbesondere Retrieval-Augmented Generation (RAG), verbessern KI-Systeme, indem sie vortrainiertes Wissen mit dynamisch aus externen Quellen abgerufenen Informationen kombinieren. Diese umfassende Sammlung enthält modernste RAG-Varianten aus der neuesten Forschung: Graph RAG für einen beziehungsbewussten Abruf, Self-RAG zur Qualitätskontrolle, Corrective RAG zur Fehlerkorrektur, Adaptive RAG zur dynamischen Optimierung und Multimodal RAG zur modalitätsübergreifenden Integration. Diese Muster ermöglichen es KI-Systemen, mit beispielloser Raffinesse und Zuverlässigkeit auf aktuelle Informationen, domänenspezifische Wissensbasen und kontextuell relevante Daten zuzugreifen.
Praktische Anwendungen und Anwendungsfälle
Fortgeschrittene Dokumentenanalyse
Mehrstufiger, hierarchischer Abruf aus komplexen Dokumenten, Rechtstexten und technischen Handbüchern mit granularer Präzision.
Faktenprüfung und Verifizierung
Chain-of-Verification-Prozesse zur Nachrichtenvalidierung, Forschungsverifizierung und Erkennung von Fehlinformationen mit Konfidenzbewertung.
Erkundung von Wissensgraphen
Graphbasierter Abruf zum Entdecken von Beziehungen, für Multi-Hop-Schlussfolgern und entitätszentrierte Analysen in wissenschaftlichen und geschäftlichen Domänen.
Konversationelle Wissensunterstützung
Kontextbewusste Dialogsysteme, die den Gesprächsverlauf bewahren und ein fortschreitendes Verständnis aufbauen.
Qualitätsgesicherte Recherche
Selbstreflexive und korrigierende RAG-Systeme, die die Abrufqualität für kritische Anwendungen automatisch bewerten und verbessern.
Integration multimodaler Informationen
Modalitätsübergreifender Abruf, der Text, Bilder, Audio und strukturierte Daten für eine umfassende Analyse kombiniert.
Adaptive Domänenexpertise
Dynamische Systeme, die Abrufstrategien an die Komplexität der Anfrage, die Anforderungen der Domäne und Leistungsbeschränkungen anpassen.
Wissensmanagement im Unternehmen
Modulare, anpassbare RAG-Architekturen für verschiedene Abteilungen mit rollenbasiertem Zugriff und spezialisierter Generierung.
Warum das wichtig ist
Muster für den Wissensabruf stehen an der Spitze der Wissensintegration zwischen KI und Mensch und ermöglichen Systeme, die nicht nur auf Informationen jenseits der Trainingsdaten zugreifen, sondern dies mit beispielloser Intelligenz und Qualitätskontrolle tun. Fortgeschrittene RAG-Varianten wie Graph RAG erschließen beziehungsbewusstes Schlussfolgern, Self-RAG bietet eine automatische Qualitätssicherung und Multimodal RAG ermöglicht ein umfassendes Verständnis über verschiedene Datentypen hinweg. Diese Muster verwandeln KI von einfachen Wissensabfragesystemen in anspruchsvolle Rechercheassistenten, die zu Faktenprüfung, Querverweisen und adaptivem Lernen fähig sind.
Implementierungsleitfaden
Wann einsetzen
- Anwendungen, die Zugriff auf aktuelle, dynamische oder sich häufig ändernde Informationen erfordern
- Domänenspezifische Anwendungen mit spezialisierten Wissensbasen
- Systeme, bei denen faktische Genauigkeit und Quellenangabe entscheidend sind
- Anwendungen, die mit großen Dokumentsammlungen oder Datenbanken arbeiten
- Szenarien, in denen Trainingsdaten allein für umfassende Antworten nicht ausreichen
- Anwendungen, die Transparenz über Informationsquellen und Belege erfordern
Bewährte Verfahren
- Effektive Indexierungs- und Suchstrategien für einen schnellen und relevanten Abruf entwerfen
- Ein sachgerechtes Chunking und eine Vorverarbeitung der Wissensquellen umsetzen
- Hybride Suchansätze verwenden, die semantische Ähnlichkeit und Schlüsselwortabgleich kombinieren
- Abrufsysteme mit geeigneten Filter- und Ranking-Mechanismen entwerfen
- Funktionen zur Quellenangabe und Zitierung für Transparenz implementieren
- Metriken zur Abrufqualität nutzen, um die Such- und Ranking-Leistung zu optimieren
- Systeme entwerfen, die sowohl strukturierte als auch unstrukturierte Wissensquellen verarbeiten können
Häufige Fallstricke
- Schlechte Abrufqualität, die dazu führt, dass irrelevante oder minderwertige Informationen in den Antworten verwendet werden
- Unzureichende Verarbeitung der abgerufenen Informationen, die zu einem Missverständnis des Kontexts führt
- Übermäßige Abhängigkeit vom Abruf ohne angemessene Integration mit generativen Fähigkeiten
- Keine angemessene Quellenprüfung und Qualitätskontrolle für die abgerufenen Informationen umzusetzen
- Die Auswirkung der Abruflatenz auf die Gesamtleistung des Systems zu ignorieren
- Unzureichender Umgang mit Fällen, in denen relevante Informationen nicht abgerufen werden können
Verfügbare Techniken
Naive RAG(NRAG)
Grundlegendes „Retrieve-Read“-Framework, das dem traditionellen Prozess aus Indexierung, Retrieval und Generierung folgt
Fortgeschrittenes RAG(ARAG)
Erweitertes RAG mit Optimierungen vor und nach dem Retrieval, darunter Query-Erweiterung, Reranking und Kontextkuratierung
Modulares RAG(MRAG)
Flexible RAG-Architektur mit austauschbaren Modulen, die iterative, adaptive und nicht-sequentielle Retrieval-Muster unterstützt
Self-RAG(SRAG)
Selbstreflexives RAG, das adaptiv entscheidet, ob ein Retrieval nötig ist, und die Retrieval-Qualität mithilfe von Reflexions-Tokens bewertet
Korrigierendes RAG (CRAG)(CRAG)
RAG-System, das schlechte Retrieval-Ergebnisse automatisch durch Qualitätsbewertung und erneutes Retrieval erkennt und korrigiert
Graph RAG(GRAG)
Wissensgraph-gestütztes RAG, das Entitätsbeziehungen und Community-Erkennung für globale Sensemaking-Abfragen nutzt
Multimodales RAG(MMRAG)
Retrieval-augmentierte Generierung, die Text-, Bild-, Audio-, Video- und strukturierte Datenquellen verarbeitet und integriert
Agentisches RAG(AgRAG)
Autonome Systeme für retrieval-augmentierte Generierung mit selbstgesteuerter Planung, Retrieval und Schlussfolgerung
Latente Wissensabfrage(LKR)
In agentischen Multi-Agenten-KI-Systemen Informationen anhand abstrakter Denkmuster statt expliziter Abfragen abrufen.
Abruf mit Abfragetransformation(QTR)
Die Nutzeranfrage vor dem Abruf umformulieren oder erweitern, damit die Embeddings nahe an den relevanten Dokumenten landen. HyDE erzeugt ein hypothetisches Antwortdokument und bettet dieses ein, um echte Nachbarn zu finden; die Multi-Query-Expansion erzeugt mehrere Umformulierungen und verschmilzt die Ergebnisse; und das Step-back-Prompting abstrahiert die Frage, um zunächst die zugrunde liegenden Prinzipien abzurufen. Diese Transformationen bringen große Zero-Shot-Gewinne beim Abruf, ohne den Retriever zu trainieren.
Abruf über hierarchischen Index (RAPTOR)(HIR)
Den Retrieval-Index als mehrstufigen Baum statt als flache Liste von Chunks aufbauen. RAPTOR bettet Chunks rekursiv ein, clustert und fasst sie zusammen, sodass eine Anfrage aus jeder Abstraktionsebene abrufen und je nach Bedarf eine übergreifende Synthese oder das Detail eines Blatts zurückgeben kann. Anthropic Contextual Retrieval stellt jedem Chunk vor dem Einbetten einen von einem LLM verfassten Kontexttext voran, damit isolierte Chunks im Gesamtdokument verankert bleiben.
Deep-Research-Agent(DRA)
Eine zusammengesetzte, langfristig angelegte Recherchearchitektur, die die Absicht des Nutzers klärt, einen expliziten Rechercheplan entwirft und dann eine iterative Schleife aus Suchen, Lesen und Lückenbewertung über viele Quellen hinweg durchläuft (oft über parallele Subagenten), bevor sie einen einzigen ausführlichen Bericht mit Inline-Quellenangaben synthetisiert. Dies ist der zusammengesetzte Archetyp hinter OpenAI Deep Research, Gemini Deep Research und Anthropic Research, mit einer eigenen Übersichtsliteratur. Zu unterscheiden von `agentic-rag-systems`, das Abrufentscheidungen innerhalb einer einzelnen Pipeline trifft, statt eine mehrrundige, plangesteuerte Berichtssynthese durchzuführen. Zu unterscheiden von `supervisor-worker-pattern`, das eine generische Orchestrierung ohne recherchespezifischen Plan, Lückenprüfung oder Zitationsdurchlauf ist.
Strukturbewusster Codebasis-Abruf (Repo Map)
Auf Code spezialisierter Abruf, der die Programmstruktur statt (oder zusätzlich zu) Embeddings nutzt. Das Repository wird mit tree-sitter in ASTs sowie in einen Symbol- und Abhängigkeitsgraphen geparst; Dateien und Symbole werden nach ihrer Zentralität im Graphen gewichtet (Aiders PageRank-gewichtete Tag-Map), Werkzeuge zur Graphtraversierung folgen Aufruf-, Definitions- und Import-Kanten (AutoCodeRover und Code-Graph-Agenten), und eine spektrumbasierte Fehlerlokalisierung kann die Suche ausgehend von fehlschlagenden Tests eingrenzen. So kann ein Coding-Agent aus einem Repository, das weit größer als sein Kontextfenster ist, einen minimalen, relevanten Kontext zusammenstellen. Zu unterscheiden von `graph-rag`, dessen Graph aus Dokumentenentitäten statt aus Code-Semantik aufgebaut wird.
Patterns Pack
Nehmen Sie den ganzen Katalog mit: MCP-Server, Regeln und Skills für Ihren Editor, und Daten.
The Agent Architect
Ein Pattern, ein Tradeoff, eine Produktionspanne. Ein kurzes wöchentliches Briefing für alle, die agentische Systeme bauen.
Wöchentliche E-Mail, Abmeldung mit einem Klick. Ihre Adresse wird nur für das Briefing verwendet.
Vom Ingenieur hinter diesem Katalog
Lassen Sie Ihre Agenten-Architektur prüfen
Diese Seite dokumentiert ein Pattern. Ihr System betreibt Dutzende, und die meisten Ausfälle entstehen im Zusammenspiel. Lassen Sie den gesamten Entwurf an den 288 Patterns dieses Katalogs messen: Architektur, Zuverlässigkeit, Evaluation und Kosten, jeder Befund verknüpft mit dem Pattern, das ihn behebt.
750 € statt 1.500 €, eine Woche, schriftlicher Bericht und Walkthrough-Call, bis 30. September