Definition
RAG (Retrieval-Augmented Generation) kombiniert zwei Komponenten:
- Retrieval — Suche nach relevanten Dokumenten/Chunks aus einer Wissensdatenbank
- Generation — Sprachmodell generiert Antwort basierend auf abgerufenen Dokumenten + Anfrage
Nutzeranfrage
↓
[Retriever] → sucht in Vektordatenbank → relevante Chunks
↓
[Generator] ← Chunks + Anfrage als Kontext
↓
Antwort (faktenbasiert, quellengestützt)Warum RAG?
| Problem | Ohne RAG | Mit RAG |
|---|---|---|
| Halluzinationen | Häufig | Stark reduziert |
| Aktualität | Trainings-Cutoff | Echtzeit-Daten möglich |
| Quellen | Keine | Explizit zitierbar |
| Domänenwissen | Generisch | Spezialisierbar |
| Datenschutz | Daten im Modell | Daten extern, kontrolliert |
Technische Komponenten
1. Dokumenten-Pipeline
- Ingestion — Dokumente laden (PDF, HTML, Markdown)
- Chunking — in semantische Segmente aufteilen (500–1000 Token)
- Embedding — Chunks als Vektoren repräsentieren
- Indexierung — in Vektordatenbank speichern
2. Query-Pipeline
- Query-Embedding — Anfrage als Vektor
- Similarity Search — top-k ähnliche Chunks finden
- Context-Assembly — Chunks + System-Prompt zusammenstellen
- Generation — LLM generiert fundierte Antwort
RAG vs. Fine-Tuning
| RAG | Fine-Tuning | |
|---|---|---|
| Aufwand | Niedrig-mittel | Hoch |
| Aktualität | Dynamisch | Statisch (retrain nötig) |
| Transparenz | Hoch (Quellen sichtbar) | Niedrig |
| Kosten | Günstig | Teuer |
| Domänenanpassung | Gut für Fakten | Gut für Stil/Verhalten |
IIO RAG-Stack
IIO nutzt RAG für den OCC Knowledge Base Zugriff:
- Vektordatenbank: Qdrant (lokal, DSGVO-konform)
- Embeddings: lokale Modelle via Ollama
- Retrieval: BM25 + semantic search hybrid
- Generator: lokale Modelle oder externe API
- API:
POST /api/occ/rag— öffentlich, keine Auth
Governance-Aspekte
RAG-Systeme unterliegen denselben Governance-Anforderungen wie andere KI:
- Quellenqualität und -lizenz dokumentieren
- Ausgaben auf Korrektheit prüfen (HITL bei kritischen Entscheidungen)
- Datenschutz: keine personenbezogenen Daten in Retrievalkorpus ohne Einwilligung
Wenn ein Sprachmodell RAG verwendet, ruft es Informationen aus einer Datenbank auf, bevor es antwortet. Es nimmt diesen Kontext mit in die Antwortgenerierung — nicht nur sein trainiertes Wissen.
승인됨
- 생성 방식
- scripts/generate-glossary-register-variants.py (qwen2.5:7b (lokal via Ollama, kein Cloud-Fallback))
- 생성일
- 2026-09-21T00:11:29.079655+00:00
- 기준
- 쉬운 언어 ~B1 — 독일 쉬운 읽기 표준 DIN SPEC 33429 아님
- 검토자
- zolo · 2026-09-21T00:30:10.463422+00:00
Retrieval-Augmented Generation (RAG) bezieht sich auf eine KI-Architektur, bei der Sprachmodelle vor dem Generieren einer Antwort relevante Informationen aus einer Wissensdatenbank abrufen und diese als Kontext integrieren — ohne dabei ausschließlich auf ihr Trainingswissen zu verreliert.
승인됨
- 생성 방식
- scripts/generate-glossary-register-variants.py (qwen2.5:7b (lokal via Ollama, kein Cloud-Fallback))
- 생성일
- 2026-09-21T00:11:29.079655+00:00
- 기준
- 쉬운 언어 ~B1 — 독일 쉬운 읽기 표준 DIN SPEC 33429 아님
- 검토자
- zolo · 2026-09-21T00:30:10.463422+00:00
참조
"추출 증가 생성 (RAG)." Open Cognition Commons Foundation. https://opencognitioncommons.org/ko/glossary/retrieval-augmented-generation. CC-BY 4.0. 기계로 읽을 수 있는 메타데이터
{
"@context": "https://schema.org",
"@type": "DefinedTerm",
"name": "추출 증가 생성 (RAG)",
"description": "Retrieval-Augmented Generation (RAG) ist eine KI-Architektur, bei der ein Sprachmodell vor der Antwortgenerierung relevante Informationen aus einer Wissensdatenbank abruft und als Kontext erhält — statt ausschließlich auf sein Trainings-Wissen zu vertrauen.\n",
"url": "https://opencognitioncommons.org/ko/glossary/retrieval-augmented-generation",
"license": "https://creativecommons.org/licenses/by/4.0/",
"alternateName": [
"RAG",
"Retrieval-Augmented Generation"
]
}