Retrieval-Augmented Generation (RAG)
Retrieval-Augmented Generation (RAG) ist eine KI-Architektur, bei der ein Modell relevante Dokumente aus einer externen Wissensbasis abruft und diese als kontextuelle Grundlage für die Antwortgenerierung nutzt — anstatt sich ausschließlich auf Trainingsdaten zu verlassen.
RAG kombiniert zwei Komponenten: ein Retrieval-Modul (das relevante Texte sucht und abruft) und ein generatives Modell (das auf Grundlage der abgerufenen Texte Antworten erzeugt). Perplexity ist ein reines RAG-System, bei dem die Retrieval-Quelle das offene Web ist.
Für Content-Ersteller ist es wichtig, die RAG-Architektur zu verstehen: Inhalte, die klar strukturiert, für Crawler leicht zugänglich und präzise genug sind, um im Retrieval-Schritt relevant zu werden, haben eine höhere Wahrscheinlichkeit, in die KI-Antwort aufgenommen zu werden.
Häufig gestellte Fragen
Was ist RAG in der Praxis?
Perplexity durchsucht das Web (Retrieval), findet relevante Texte und lässt ein LLM eine Antwort auf Basis dieser Texte schreiben (Generation). Das Ergebnis ist eine Antwort, die sowohl von Trainingsdaten als auch von aktuellen Webquellen informiert ist.
Das KI-Suche Glossar erkunden
AI Search Academy ist ein unabhängiges Glossar für KI-Suche und Sichtbarkeit.
Alle Begriffe ansehenVerwandte Begriffe
KR
AI Search & Growth Strategist mit 25+ Jahren Erfahrung im digitalen Marketing. Mehr lesen →