Retrieval Augmented Generation (RAG)

Retrieval Augmented Generation (RAG) ist eine KI-Architektur, die Large Language Models mit externer Wissensabfrage in Echtzeit verbindet. Patrick Lewis und sein Forschungsteam bei Meta AI veröffentlichten das Konzept 2020 im Paper “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”. RAG-Systeme rufen vor jeder Antwortgenerierung relevante Dokumente aus einem Suchindex ab, statt sich ausschließlich auf Trainingsdaten zu stützen. Google AI Overviews, ChatGPT Search und Perplexity basieren auf dieser Architektur. Für die Suchmaschinenoptimierung bestimmt RAG, welche Webinhalte als Quelle in KI-generierten Antworten zitiert werden.

Was ist Retrieval Augmented Generation?

Retrieval Augmented Generation ist ein Verfahren, das die Textgenerierung eines Sprachmodells durch den gezielten Abruf externer Informationen ergänzt. RAG löst damit zwei fundamentale Probleme reiner LLMs: den Knowledge Cutoff (veraltete Trainingsdaten) und Halluzinationen (faktisch falsche Ausgaben).

Der Name beschreibt die drei Phasen des Prozesses. “Retrieval” steht für den Abruf relevanter Dokumente aus einer Wissensdatenbank. “Augmented” bezeichnet die Anreicherung des Sprachmodell-Prompts mit diesen abgerufenen Informationen. “Generation” beschreibt die Erzeugung einer natürlichsprachlichen Antwort auf Basis der kombinierten Eingabe.

Das Originalpaper von Lewis et al. demonstrierte, dass abrufgestützte Generierung bei wissensintensiven Aufgaben wie Open-Domain Question Answering signifikant bessere Ergebnisse erzielt als reine Sprachmodelle. Die Methodik hat sich seitdem zum Standard für faktische KI-Anwendungen entwickelt. Unternehmens-Chatbots, Recherchetools und KI-gestützte Suchmaschinen nutzen RAG-Architekturen als technisches Fundament.

Wie funktioniert die RAG-Architektur?

Die RAG-Architektur besteht aus zwei Kernkomponenten, dem Retriever und dem Generator, die bei jeder Nutzeranfrage sequenziell drei Phasen durchlaufen: Abruf, Anreicherung und Generierung.

Phase 1: Retrieval (Abruf)

Die Nutzeranfrage wird durch ein Embedding-Modell in einen mathematischen Vektor umgewandelt. Dieser Abfrage-Vektor wird mit den Vektoren aller Dokumente in der Wissensdatenbank verglichen. Die Ähnlichkeitsmessung erfolgt über die Kosinus-Ähnlichkeit oder das Dot-Product-Verfahren. Die 3 bis 20 relevantesten Textpassagen werden als Ergebnis zurückgegeben.

Moderne RAG-Systeme setzen auf hybride Suche. Die semantische Vektorsuche erfasst Bedeutungszusammenhänge, der BM25-Algorithmus findet exakte Begriffstreffer. Die Kombination beider Verfahren erhöht die Retrieval-Genauigkeit um 15 bis 25 Prozent gegenüber reiner Vektorsuche.

Phase 2: Augmentation (Anreicherung)

Die abgerufenen Textpassagen werden zusammen mit der ursprünglichen Nutzeranfrage in einen strukturierten Prompt eingefügt. Das Sprachmodell erhält dadurch sowohl die Frage als auch den relevanten Kontext aus externen Quellen. Die Prompt-Konstruktion folgt einem festen Schema: Systemanweisung, abgerufene Dokumente mit Quellenangaben, Nutzeranfrage.

Die Anreicherungsphase bestimmt die Qualität der Ausgabe maßgeblich. Zu wenige abgerufene Passagen liefern unvollständige Antworten. Zu viele Passagen überlasten das Kontextfenster des Sprachmodells und verwässern die Relevanz. In der Praxis erzielen 5 bis 10 Passagen die besten Ergebnisse.

Phase 3: Generation (Erzeugung)

Das Sprachmodell formuliert eine natürlichsprachliche Antwort auf Basis der angereicherten Eingabe. Die Antwort synthetisiert Informationen aus mehreren abgerufenen Quellen zu einem kohärenten Text. Quellenverweise werden in die Ausgabe eingebettet: Perplexity nummeriert Quellen und verlinkt auf Originalseiten, ChatGPT Search zeigt anklickbare Referenzen, Google AI Overviews blendet Quellenlinks neben den generierten Absätzen ein.

Die Generierungsphase profitiert von der Grundlage des Retrievals. Statt auf statistische Muster aus dem Training zurückzugreifen, arbeitet das Sprachmodell mit verifizierten externen Informationen. RAG-Systeme senken die Halluzinationsrate dadurch von 15 bis 25 Prozent auf 3 bis 8 Prozent.

Welche Vorteile bietet RAG gegenüber reinen LLMs?

RAG bietet gegenüber reinen Sprachmodellen fünf zentrale Vorteile: geringere Halluzinationsrate, Zugriff auf aktuelle Informationen, nachprüfbare Quellenangaben, geringere Kosten als Fine-Tuning und domänenspezifische Anpassbarkeit ohne erneutes Training.

Reine Sprachmodelle generieren Antworten ausschließlich aus gelernten Wahrscheinlichkeitsverteilungen. RAG ergänzt diesen Prozess durch den Abruf externer Informationen und adressiert damit die größten Schwächen generativer KI-Systeme.

• Reduzierte Halluzinationen: Reine Sprachmodelle generieren bei faktischen Fragen in 15 bis 25 Prozent der Fälle inhaltlich falsche Antworten. RAG-Systeme reduzieren diese Rate auf 3 bis 8 Prozent, weil die Antwortgenerierung auf abgerufenen Dokumenten basiert statt auf gelernten Wahrscheinlichkeitsverteilungen.
• Aktualität: Sprachmodelle besitzen einen Knowledge Cutoff, der die Trainingsdaten zeitlich begrenzt. RAG-Systeme umgehen diese Einschränkung durch Echtzeitabruf aus aktualisierten Datenquellen. Neue Dokumente stehen nach der Indexierung sofort für Abfragen zur Verfügung, ohne dass das Modell neu trainiert werden muss.
• Quellenangaben: RAG-Systeme referenzieren die Ursprungsdokumente ihrer Antworten. Nutzer können die genannten Quellen prüfen und die Antwortqualität bewerten. Diese Transparenz fehlt bei reinen Sprachmodellen, die keine Herkunft ihrer Aussagen offenlegen.
• Kosteneffizienz: Die Integration neuer Wissensdomänen erfordert bei RAG lediglich die Aufnahme zusätzlicher Dokumente in die Wissensdatenbank. Fine-Tuning eines vergleichbaren Sprachmodells kostet 50.000 bis 500.000 USD pro Anwendungsfall und muss bei jeder Datenaktualisierung wiederholt werden.
• Domänenanpassung: Unternehmen verbinden RAG-Systeme mit internen Dokumenten, Produktdatenbanken oder Fachpublikationen. Das Sprachmodell beantwortet domänenspezifische Fragen, ohne auf öffentliche Trainingsdaten angewiesen zu sein.

Welche Komponenten hat ein RAG-System?

Ein produktionsfähiges RAG-System besteht aus vier Kernkomponenten: dem Embedding-Modell für die Vektorisierung, der Vektordatenbank für die Speicherung und Suche, der Chunking-Pipeline für die Dokumentenaufbereitung und dem Sprachmodell für die Antwortgenerierung.

Embedding-Modelle

Embedding-Modelle wandeln Text in numerische Vektoren um, die die semantische Bedeutung des Inhalts abbilden. Zwei Texte über dasselbe Thema erzeugen ähnliche Vektoren, auch wenn sie unterschiedliche Wörter verwenden. Diese mathematische Repräsentation ermöglicht die Ähnlichkeitssuche in der Vektordatenbank.

Verbreitete Embedding-Modelle und ihre Eigenschaften:

Modell	Dimensionen	Anbieter	Einsatzbereich
text-embedding-3-large	3.072	OpenAI	Höchste Genauigkeit, Cloud-basiert
text-embedding-3-small	1.536	OpenAI	Kosten-Performance-Balance
all-MiniLM-L6-v2	384	Sentence-Transformers	Open Source, schnell, leichtgewichtig
BGE-large-en-v1.5	1.024	BAAI	Open Source, hohe Benchmark-Werte
Cohere Embed v3	1.024	Cohere	Multilingual, 100+ Sprachen

Die Wahl des Embedding-Modells beeinflusst die Retrieval-Qualität direkt. Höherdimensionale Modelle erfassen feinere semantische Unterschiede, benötigen aber mehr Speicher und Rechenleistung.

Vektordatenbanken

Vektordatenbanken speichern die erzeugten Embeddings und ermöglichen Ähnlichkeitssuchen in Millisekunden, auch bei Millionen von Dokumenten. Die Datenbank bildet das Rückgrat des Retrieval-Prozesses.

Datenbank	Typ	Stärke	Typischer Einsatz
Pinecone	Cloud-managed	Einfache Integration, automatische Skalierung	SaaS-Produkte, Startups
Weaviate	Open Source	Hybride Suche (Vektor + BM25)	Enterprise, On-Premises
Qdrant	Open Source	Hohe Performance, Rust-basiert	Technische Teams, Produktion
Milvus	Open Source	GPU-beschleunigt, Milliarden-Skala	Große Datenbestände, Forschung
Chroma	Open Source	Leichtgewichtig, schneller Einstieg	Prototyping, kleine Projekte
FAISS	Open Source (Meta)	CPU/GPU-optimiert, Bibliothek	Forschung, Custom-Lösungen

Chunking-Strategien

Chunking bezeichnet die Aufteilung von Dokumenten in kleinere Textabschnitte vor der Vektorisierung. Die Segmentierung bestimmt, wie präzise das RAG-System relevante Informationen abruft.

Drei Chunking-Strategien haben sich in der Praxis etabliert. Die Wahl der Strategie hängt vom Dokumenttyp, der gewünschten Retrieval-Granularität und der Länge der Quelltexte ab. Jede Strategie erzeugt unterschiedliche Segmentgrößen und beeinflusst damit die Balance zwischen Kontexterhalt und Abrufpräzision.

• Fixed-Size Chunking teilt Texte in gleich große Abschnitte von 256 bis 1.024 Token mit einem Overlap von 10 bis 20 Prozent. Das Overlap-Fenster verhindert, dass zusammenhängende Informationen an Chunk-Grenzen getrennt werden.
• Semantic Chunking erkennt thematische Brüche im Text und setzt Segmentgrenzen an natürlichen Übergangspunkten. Diese Methode erzeugt Chunks unterschiedlicher Länge, die jeweils eine inhaltlich abgeschlossene Einheit bilden.
• Recursive Chunking kombiniert beide Ansätze: Der Algorithmus versucht zunächst, an Absatzgrenzen zu teilen. Überschreitet ein Absatz die Maximallänge, wird er an Satzgrenzen aufgeteilt. Erst in letzter Instanz greift die zeichenbasierte Teilung.

Die Chunk-Größe beeinflusst das Retrieval-Ergebnis direkt. Zu kleine Chunks (unter 128 Token) verlieren Kontext. Zu große Chunks (über 2.048 Token) verwässern die Relevanz bei spezifischen Anfragen. Für Fachtexte und Glossareinträge erzielen 512 bis 768 Token die besten Ergebnisse.

Wie unterscheidet sich RAG von Fine-Tuning?

RAG und Fine-Tuning lösen unterschiedliche Probleme bei der Anpassung von Sprachmodellen. RAG erweitert das verfügbare Wissen durch externen Datenabruf. Fine-Tuning verändert das Verhalten und den Stil des Modells durch zusätzliches Training auf spezifischen Datensätzen.

Kriterium	RAG	Fine-Tuning
Ansatz	Externer Wissensabruf zur Laufzeit	Zusätzliches Training auf Domänendaten
Aktualität	Echtzeitdaten möglich	Begrenzt auf den Trainingszeitpunkt
Kosten	500 bis 5.000 USD/Monat (Infrastruktur)	50.000 bis 500.000 USD pro Durchlauf
Halluzinationsrate	3 bis 8 Prozent	10 bis 20 Prozent
Datenänderungen	Neue Dokumente sofort verfügbar	Erneutes Training erforderlich
Stärke	Faktische Fragen, aktuelle Informationen	Konsistenter Stil, Fachterminologie

In der Praxis kombinieren viele Produktivsysteme beide Ansätze: Fine-Tuning definiert den Antwortstil und die Terminologie, RAG liefert aktuelle Fakten und domänenspezifisches Wissen. Gemini, ChatGPT und Claude nutzen diese Kombination für ihre Websuche-Funktionen.

Eine dritte Option, Prompt Engineering, fügt Kontext direkt in die Eingabe ein, ohne externe Suche oder zusätzliches Training. Prompt Engineering eignet sich für kurze, statische Kontexte. RAG übertrifft Prompt Engineering, sobald die Wissensbasis das Kontextfenster des Modells übersteigt.

Welche Anwendungsfälle hat RAG in der Praxis?

RAG-Systeme kommen in sechs Hauptbereichen zum Einsatz: KI-gestützte Suchmaschinen, Unternehmens-Chatbots, Wissensmanagement, Kundenservice-Automatisierung, Recherchetools und Code-Assistenten.

Der gemeinsame Nenner aller Anwendungsfälle ist der Bedarf an faktisch korrekten, aktuellen Antworten auf Basis großer Dokumentenbestände. RAG-Architekturen ermöglichen diese Kombination aus Sprachverständnis und gezieltem Informationsabruf in unterschiedlichen Domänen.

• KI-Suchmaschinen: Google AI Overviews, Perplexity und ChatGPT Search durchsuchen Webindizes mit RAG-Architekturen. Google AI Overviews greift auf den Google-Hauptindex zu, ChatGPT Search nutzt den Bing-Index, Perplexity betreibt einen eigenen Index mit über 100 Milliarden Seiten.
• Unternehmens-Chatbots: Firmen verbinden Sprachmodelle mit internen Dokumentationen, Produktkatalogen und Wissensdatenbanken. Mitarbeiter und Kunden erhalten präzise Antworten auf Basis verifizierter Unternehmensdaten statt allgemeiner Modellantworten.
• Wissensmanagement: Forschungseinrichtungen und Kanzleien nutzen RAG für die Durchsuchung großer Dokumentensammlungen. Das System extrahiert relevante Passagen aus tausenden PDFs, Verträgen oder Studien und synthetisiert die Ergebnisse zu strukturierten Antworten.
• Kundenservice: RAG-basierte Support-Systeme beantworten Kundenanfragen auf Basis aktueller Produktdokumentation, FAQ-Datenbanken und Ticket-Historien. Die Systeme eskalieren an menschliche Mitarbeiter, wenn das Konfidenzlevel unter einen definierten Schwellenwert fällt.
• Recherchetools: Wissenschaftliche Rechercheplattformen wie Elicit und Consensus nutzen RAG, um Forschungsfragen anhand akademischer Paper zu beantworten. Die Systeme zitieren Originalstudien und bewerten die Evidenzstärke der Quellen.
• Code-Assistenten: GitHub Copilot und vergleichbare Tools nutzen RAG-ähnliche Verfahren, um Codevorschläge auf Basis der aktuellen Codebasis, Dokumentation und Best Practices zu generieren.

Warum ist RAG für SEO und GEO relevant?

RAG bestimmt, welche Webinhalte in KI-generierten Antworten als Quelle erscheinen. Generative Engine Optimization (GEO) optimiert Inhalte gezielt für die Retrieval-Phase dieser Systeme. Klassische Suchmaschinenoptimierung bildet die Grundvoraussetzung, weil Inhalte zunächst im jeweiligen Suchindex vorhanden sein müssen.

Welche Suchindizes nutzen RAG-basierte Systeme?

Jedes RAG-System greift auf einen eigenen Suchindex zu:

System	Suchindex	Zitierverhalten
Google AI Overviews	Google-Hauptindex	92 % der Quellen aus den organischen Top 10 (BrightEdge)
ChatGPT Search	Bing-Index	Bevorzugt Bing-Top-Ergebnisse, zeigt anklickbare Referenzen
Perplexity	Eigener Index (100 Mrd.+ Seiten)	Diverseste Zitierung: nur 25 % wiederholt genutzte Quellen
Google Gemini	Google-Index + Echtzeitdaten	Quellenlinks in der Antwort eingebettet

Ohne Indexierung in mindestens einem dieser Suchindizes existieren Webinhalte für RAG-Systeme nicht.

Wie erhöht man die Zitierwahrscheinlichkeit?

Die Wahrscheinlichkeit, dass ein RAG-System eine bestimmte Webseite als Quelle zitiert, hängt von der Abrufbarkeit der Inhalte durch den Retriever ab. Drei Faktoren beeinflussen, ob eine Passage im Retrieval-Prozess als relevant eingestuft und in die generierte Antwort eingebettet wird.

• Extraktive Antwortstruktur: Frage-Headings (H2, H3) mit direkten Antworten von 30 bis 40 Wörtern im ersten Absatz lassen sich als Passage sauber abrufen und in KI-Antworten einbetten. Diese Struktur entspricht dem Muster, das Retriever bei der Passage-Segmentierung priorisieren.
• Semantische Vollständigkeit: Inhalte, die ein Thema mit allen relevanten Entitäten, Attributen und Werten abdecken, werden häufiger abgerufen als oberflächliche Einzelseiten. Topical Authority über zusammenhängende Themencluster stärkt dieses Signal.
• Nachweisbare Expertise: Autorenprofile, Quellenangaben, Schema-Markup und E-E-A-T-Signale erhöhen die Vertrauenswürdigkeit. RAG-Algorithmen priorisieren Quellen mit hoher Domain-Autorität und breiter Referenzierung durch andere Quellen.

Welche Herausforderungen hat RAG?

RAG reduziert Halluzinationen, eliminiert sie aber nicht vollständig. Die Architektur bringt vier zentrale Herausforderungen mit sich: Datenqualität, Latenz, Infrastrukturkosten und Datenschutz.

Die meisten Probleme entstehen nicht im Sprachmodell selbst, sondern in der Retrieval-Pipeline. Fehlerhafte oder unvollständige Quelldaten, langsame Indexabfragen und der Umgang mit sensiblen Unternehmensdaten erfordern gezielte Gegenmaßnahmen auf Infrastrukturebene.

• Datenqualität: Falsche oder veraltete Informationen in der Wissensdatenbank führen zu fehlerhaften Antworten. Bei Dokumentensammlungen mit mehr als 20 Prozent veralteten Inhalten sinkt die Antwortqualität um 35 bis 45 Prozent. Die kontinuierliche Pflege der Quelldaten ist die wichtigste Voraussetzung für zuverlässige RAG-Systeme.
• Latenz: Die sequenzielle Verarbeitung von Retrieval und Generierung erzeugt Gesamtlatenzen zwischen 2 und 8 Sekunden. Caching häufiger Anfragen, parallele Verarbeitung und optimierte Indexstrukturen reduzieren die Latenz auf unter 2 Sekunden.
• Infrastrukturkosten: Produktionsfähige RAG-Systeme erfordern erhebliche Ressourcen. Vektordatenbanken für Millionen von Dokumenten benötigen 64 bis 256 GB RAM. GPU-Cluster für Embedding-Berechnung und Sprachmodell-Inferenz kosten 5.000 bis 50.000 Euro monatlich. Modell-Quantisierung und Batch-Processing senken die Betriebskosten.
• Datenschutz: Cloud-basierte RAG-Implementierungen übertragen interne Dokumente an externe Anbieter. On-Premises-Lösungen mit Open-Source-Modellen wie LLaMA oder Mistral eliminieren dieses Risiko, erfordern aber eigene Infrastruktur und technisches Personal.

Was ist Advanced RAG?

Advanced RAG bezeichnet Weiterentwicklungen der Basisarchitektur, die Retrieval-Genauigkeit, Antwortqualität und Effizienz verbessern. Die Methoden adressieren Schwächen des Naive-RAG-Ansatzes, bei dem eine einzelne Vektorsuche die einzige Retrieval-Strategie darstellt.

Die Forschung unterteilt RAG-Systeme in drei Generationen: Naive RAG (einfache Vektorsuche), Advanced RAG (optimierte Retrieval-Pipeline) und Modular RAG (frei kombinierbare Komponenten). Fünf Techniken prägen die aktuelle Entwicklung von Naive RAG zu leistungsfähigeren Architekturen.

• Query Transformation: Die ursprüngliche Nutzeranfrage wird vor dem Retrieval umformuliert oder in mehrere Teilfragen zerlegt. HyDE (Hypothetical Document Embedding) generiert zunächst eine hypothetische Antwort und nutzt deren Embedding für die Suche. Multi-Query-Ansätze formulieren die Frage aus verschiedenen Perspektiven und kombinieren die Retrieval-Ergebnisse.
• Re-Ranking: Nach dem initialen Retrieval bewertet ein Cross-Encoder-Modell die abgerufenen Passagen erneut und sortiert sie nach Relevanz. Re-Ranking verbessert die Precision um 10 bis 20 Prozent, weil Cross-Encoder die Beziehung zwischen Anfrage und Passage präziser bewerten als die reine Vektorähnlichkeit.
• Agentic RAG: Multi-Agent-Systeme orchestrieren spezialisierte Komponenten: ein Agent für die Dokumentensuche, ein weiterer für Datenbank-Abfragen, ein dritter für die Synthese. Die Agenten entscheiden eigenständig, welche Quellen für eine Anfrage relevant sind, und rufen bei Bedarf zusätzliche Informationen ab.
• GraphRAG: Knowledge Graphs ergänzen die Vektorsuche um relationale Abfragen. SPARQL- oder Cypher-Queries beantworten Multi-Hop-Fragen, die reine Vektorsuche nicht lösen kann. Microsoft Research veröffentlichte 2024 das GraphRAG-Framework für die Kombination von Wissensgraphen und RAG.
• Self-RAG: Das Sprachmodell bewertet die abgerufenen Passagen vor der Antwortgenerierung auf Relevanz und entscheidet eigenständig, ob zusätzliches Retrieval nötig ist. Self-RAG reduziert irrelevante Kontextinformationen und verbessert die Antwortpräzision.

Welche Tools und Frameworks gibt es für RAG?

Es gibt vier etablierte Open-Source-Frameworks für die Entwicklung von RAG-Systemen: LangChain, LlamaIndex, Haystack und Semantic Kernel. Jedes Framework abstrahiert die Komplexität der Integration von Embedding-Modellen, Vektordatenbanken und Sprachmodellen.

Framework	Entwickler	Sprache	Stärke
LangChain	LangChain Inc.	Python, TypeScript	Größtes Ökosystem, flexible Chain-Konstruktion
LlamaIndex	LlamaIndex Inc.	Python, TypeScript	Optimiert für Dokumenten-Retrieval, starkes Indexing
Haystack	deepset	Python	Enterprise-fokussiert, modulare Pipelines
Semantic Kernel	Microsoft	C#, Python, Java	Azure-Integration, Enterprise-Umgebungen

Cloud-Anbieter stellen zusätzlich Managed-RAG-Services bereit: AWS Bedrock Knowledge Bases, Azure AI Search und Google Vertex AI Search ermöglichen RAG-Implementierungen ohne eigene Infrastruktur.

Die Evaluierung von RAG-Systemen erfolgt über spezialisierte Frameworks wie RAGAS und DeepEval. RAGAS misst vier Kernmetriken: Faithfulness (Übereinstimmung mit Quelldaten), Answer Relevance (Relevanz zur Frage), Context Precision (Genauigkeit der abgerufenen Passagen) und Context Recall (Vollständigkeit des Retrievals).

Können RAG-Systeme mehrere Sprachen und Datenformate verarbeiten?

Ja. Multilinguale Embedding-Modelle wie Cohere Embed v3 und paraphrase-multilingual-MiniLM ermöglichen sprachübergreifendes Retrieval in über 100 Sprachen mit 75 bis 85 Prozent der monolingualen Genauigkeit. Spezialisierte Modelle für einzelne Sprachen erzielen bessere Ergebnisse als universelle multilinguale Modelle.

RAG-Architekturen verarbeiten neben Fließtext auch strukturierte und multimodale Datenquellen. Die Vielfalt der integrierbaren Formate bestimmt, wie umfassend ein RAG-System auf Unternehmenswissen zugreifen kann. Jeder Quellentyp erfordert eine eigene Aufbereitungspipeline vor der Vektorisierung.

• Dokumentensammlungen: PDFs, Wiki-Systeme und technische Handbücher werden durch Chunking-Verfahren in Segmente aufgeteilt und vektorisiert.
• Strukturierte Datenbanken: SQL-Datenbanken erfordern Text-zu-SQL-Generierung. Spezialisierte Sprachmodelle erstellen Datenbankabfragen aus natürlichsprachlichen Fragen.
• Knowledge Graphs: Relationale Abfragen über SPARQL oder Cypher beantworten Multi-Hop-Fragen, die reine Textsuche nicht lösen kann.
• Multimodale Quellen: OCR extrahiert Text aus Bildern und gescannten Dokumenten. Whisper-Transkription macht Audioinhalte textlich durchsuchbar. Vision-Language-Modelle beschreiben Bildinhalte für die Vektorisierung.
• Echtzeit-APIs: Google Search, Wikipedia API und Fachdatenbanken erweitern die Wissensbasis in Echtzeit über dynamische Schnittstellen.