RAG-Architekturen
Eine Artikelserie über neun verschiedene Retrieval-Augmented-Generation-Architekturen — von der grundlegenden Pipeline bis hin zu agentenbasierten und graphbasierten Ansätzen. Erfahren Sie, welches Muster am besten zu Ihrem Anwendungsfall passt.
RAG-Architekturen im Überblick: Das richtige Muster wählen
1. März 2025Sprachmodelle erzeugen selbstsicher klingende Antworten, selbst wenn sie falsch liegen. RAG löst dieses Problem, indem es Modelle mit verifiziertem externen Wissen verbindet.
Standard RAG: Das Fundament, das man nicht ĂĽberspringen sollte
2. März 2025Bevor Sie über exotische RAG-Varianten nachdenken, müssen Sie das Fundament beherrschen. Standard RAG ist die einfachste Pipeline und der Maßstab, an dem alle weiterführenden Muster gemessen werden.
Conversational RAG: Ihrem System das Erinnern beibringen
3. März 2025Standard RAG behandelt jede Frage isoliert — und stolpert, sobald ein Nutzer eine Folgefrage stellt. Conversational RAG fügt eine Erinnerungsschicht hinzu, die den bisherigen Dialog in jede Suche einbezieht.
Corrective RAG (CRAG): Eingebaute Qualitätskontrolle
4. März 2025Standard RAG verlässt sich blind darauf, was die Vektorsuche zurückliefert — und produziert Halluzinationen, sobald die Treffer schlecht sind. Corrective RAG schiebt eine Qualitätsprüfung dazwischen, bevor irgendetwas das Sprachmodell erreicht.
Adaptive RAG: Aufwand an Komplexität anpassen
5. März 2025Nicht jede Anfrage verdient denselben Aufwand. Adaptive RAG sortiert Fragen nach Schwierigkeit und schickt jede über den günstigsten Pfad — von der direkten Antwort des LLM bis zur mehrstufigen Recherche.
Self-RAG: Die Architektur, die ihre eigenen Antworten hinterfragt
6. März 2025Externe Evaluatoren prüfen die Antwort erst, wenn sie schon geschrieben ist. Self-RAG verlagert die Kritik in das Modell selbst — über spezielle Reflexions-Tokens, mit denen das LLM seinen eigenen Output während der Generierung bewertet.
HyDE: Erst hypothetisieren, dann abrufen
8. März 2025Kurze Fragen und lange Dokumente leben in unterschiedlichen Regionen des Embedding-Raums — das macht Vektorsuche fehleranfällig. HyDE überbrückt die Lücke, indem es zuerst eine fiktive Antwort schreibt und dann nach echten Dokumenten sucht, die ihr ähneln.
GraphRAG: Schlussfolgerungen durch Beziehungen
14. April 2026Vektorsuche findet ähnliche Texte, aber keine expliziten Beziehungen. GraphRAG modelliert Entitäten und ihre Verbindungen als Graphen — und beantwortet damit Fragen, die mehrere Hops durch strukturiertes Wissen erfordern.
Fusion RAG: Alle Blickwinkel abdecken
19. April 2026Nutzer formulieren ihre Fragen selten so, wie es die gespeicherten Dokumente tun. Fusion RAG umgeht das Problem, indem es jede Frage in mehrere Varianten zerlegt, parallel sucht und die Treffer fair zusammenfĂĽhrt.
Agentic RAG: Komplexe Fragen durch mehrstufige Recherche beantworten
19. Mai 2026Vergleichende Fragen wie "Was unterscheidet RAG-Variante X von Y?" bringen Standard-RAG ins Stolpern. Agentic RAG zerlegt sie in Teilrecherchen — wir zeigen, wie unsere Implementierung im rag-service das in iterativen Schritten löst.