Loading...

📚

Naive RAG(NRAG)

Grundlegendes „Retrieve-Read“-Framework, das dem traditionellen Prozess aus Indexierung, Retrieval und Generierung folgt

Komplexität: lowWissensabruf (RAG)

In 30 seconds

What: Ruft per semantischer Suche die am besten passenden Dokumentpassagen ab, hängt sie im Prompt aneinander und erzeugt daraus eine Antwort.
When to use: Einfache Faktenfragen zu gut indexierten Dokumenten, bei denen die Retrieval-Qualität hoch ist und kein mehrstufiges Schlussfolgern nötig ist.
Watch out: Abgerufene Passagen können sich widersprechen oder irrelevantes Rauschen enthalten und ohne Ranking oder Filterung die Antwortqualität verschlechtern.

Loading technique guide…

Patterns

Loading...

Entwurfsmuster und Techniken

Loading...

📚

Naive RAG(NRAG)

Grundlegendes „Retrieve-Read“-Framework, das dem traditionellen Prozess aus Indexierung, Retrieval und Generierung folgt

Komplexität: lowWissensabruf (RAG)

In 30 seconds

What: Ruft per semantischer Suche die am besten passenden Dokumentpassagen ab, hängt sie im Prompt aneinander und erzeugt daraus eine Antwort.
When to use: Einfache Faktenfragen zu gut indexierten Dokumenten, bei denen die Retrieval-Qualität hoch ist und kein mehrstufiges Schlussfolgern nötig ist.
Watch out: Abgerufene Passagen können sich widersprechen oder irrelevantes Rauschen enthalten und ohne Ranking oder Filterung die Antwortqualität verschlechtern.

30-Sekunden-Überblick

Muster: Einfache Retrieve-then-Read-Pipeline: Anfrage → Dokumente abrufen → verketten → generieren

Warum: Bietet Zugriff auf externes Wissen bei minimaler Komplexität - grundlegender Ansatz von Lewis et al. (2020)

Kernerkenntnis: Direkte Verkettung der Top-k abgerufenen Dokumente mit dem Anfrage-Prompt - ohne Optimierung oder Nachbearbeitung

Schnelle Umsetzung

1Indizieren:Vektor-Embeddings der Wissensbasis erstellen

2Abrufen:Die Top-k relevanten Dokumente per Ähnlichkeit finden

3Verketten:Abgerufene Dokumente an den Anfrage-Prompt anhängen

4Generieren:Den kombinierten Prompt an das LLM senden

5Zurückgeben:Die erzeugte Antwort direkt ausgeben

Example: query → vector_search → concat_context → llm_generate → response

Do’s und Don’ts

✅Semantische Embeddings verwenden (z. B. sentence-transformers)

✅Einfache Chunking-Strategie umsetzen (feste Größe 512-1024 Tokens)

✅Klare Top-k-Abrufgrenzen setzen (typisch 3-5 Dokumente)

✅Dokument-Metadaten und Quellenangabe einbeziehen

✅FAISS oder Ähnliches für effiziente Vektorsuche nutzen

❌Vorverarbeitung oder Normalisierung der Anfrage überspringen

❌Zu viele Dokumente abrufen (verschmutzt den Kontext)

❌Schwellenwerte für Relevanz-Scores ignorieren

❌Ohne klare Dokumentgrenzen verketten

❌Von einem Basisansatz ausgefeiltes Reasoning erwarten

Wann einsetzen

Einsetzen, wenn

• Einfache Q&A über Dokumente
• RAG-Systeme als Proof of Concept
• Nur begrenzte technische Komplexität zulässig
• Kleine bis mittelgroße Wissensbasen
• Unkomplizierte Faktenabfragen

Vermeiden, wenn

• Komplexes Multi-Hop-Reasoning erforderlich
• Kritische Anwendungen mit hohen Genauigkeitsanforderungen
• Produktionssysteme im großen Maßstab
• Verrauschte oder widersprüchliche Wissensbasen
• Echtzeit-Performanceanforderungen

Kennzahlen

Abrufgenauigkeit

Relevante Dokumente in den Top-k (Recall@k)

Antwortqualität

BLEU/ROUGE-Werte gegenüber der Ground Truth

Antwortzeit

End-to-End-Latenz (Abruf + Generierung)

Kontextnutzung

% des abgerufenen Kontexts, der in der Antwort genutzt wird

Halluzinationsrate

% Antworten mit unbelegten Aussagen

Quellenangabe

% Antworten mit korrekten Quellenangaben

Wichtigste Anwendungsfälle

Dokumenten-Q&A: einfache Faktenfragen zu Unternehmensdokumenten oder Wissensbasen

FAQ-Systeme: automatische Antworten auf häufige Fragen aus vorhandener Dokumentation

Rechercheunterstützung: einfache Informationsbeschaffung aus wissenschaftlichen Artikeln oder Forschungssammlungen

Kundensupport: Level-1-Anfragen, die sich aus Dokumentation und Handbüchern beantworten lassen

Lernwerkzeuge: einfaches Frage-Antwort-Verfahren über Lehrbücher und Unterrichtsmaterialien

Referenzen und weiterführende Literatur

Vertiefen Sie Ihr Verständnis mit diesen ausgewählten Ressourcen

Grundlegende Artikel

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020)

Dense Passage Retrieval for Open-Domain Question Answering (Karpukhin et al., 2020)

Retrieval Augmentation Reduces Hallucination in Conversation

Umfassende Übersichtsarbeiten

Retrieval-Augmented Generation for Large Language Models: A Survey (Gao et al., 2023)

A Comprehensive Survey of RAG: Evolution and Future Directions (Gupta et al., 2024)

Retrieval-Augmented Generation for AI-Generated Content: A Survey (Li et al., 2024)

RAG and RAU: A Survey on Retrieval-Augmented Language Model (Zhao et al., 2024)

Implementierungsressourcen

LangChain-RAG-Tutorial - Basisimplementierung

Hugging Face RAG-Dokumentation und Beispiele

OpenAI-Leitfaden zur RAG-Implementierung

LlamaIndex-Tutorial für eine einfache RAG-Pipeline

Lösungen für Vektordatenbanken

FAISS - Facebook AI Similarity Search Bibliothek

Dokumentation der Pinecone-Vektordatenbank

Weaviate Vektorsuchmaschine

Chroma - Open-Source-Embedding-Datenbank

Embedding-Modelle und Evaluierung

Sentence-BERT: Sentence Embeddings using Siamese BERT (Reimers & Gurevych, 2019)

Text and Code Embeddings by Contrastive Pre-Training (OpenAI, 2022)

MTEB: Massive Text Embedding Benchmark (Muennighoff et al., 2022)

BGE: Dokumentation des BAAI General Embedding Model

Evaluierungs-Frameworks

RAGAS: Evaluierungs-Framework für RAG-Anwendungen

TruLens: Evaluierung und Tracking für LLM-Anwendungen

LangSmith: Testen und Überwachen von LLM-Anwendungen

DeepEval: Unit-Tests für LLM-Anwendungen

Loading technique guide…