RAG-Architekturen im Überblick: Das richtige Muster wählen

Warum RAG wichtig ist

Große Sprachmodelle (LLMs) sind bemerkenswert leistungsfähig, haben aber eine grundlegende Einschränkung: Sie können nur das wiedergeben, was sie während des Trainings gelernt haben. In sich schnell verändernden Bereichen — Recht, Medizin, interne Unternehmensdaten — kann das Wissen schon veraltet sein, bevor das Modell in Produktion geht. Retrieval-Augmented Generation (RAG) behebt dies, indem es dem Modell ermöglicht, zur Abfragezeit auf aktuelle, überprüfte Dokumente zuzugreifen.

Doch RAG ist nicht gleich RAG. Im Laufe der Zeit haben sich verschiedene Muster herausgebildet, die jeweils spezifische Schwächen adressieren. Dieses Übersichtswerk stellt neun Architekturen vor — von der grundlegenden Pipeline bis hin zu agentenbasierten und graphbasierten Ansätzen — damit Sie das Muster auswählen können, das am besten zu Ihrem Anwendungsfall passt.

Die neun Muster auf einen Blick

Standard RAG — Die klassische Pipeline: Frage einbetten, relevante Dokumente abrufen, Antwort generieren. Einfach, effektiv und für die meisten Teams der richtige Einstieg.

Conversational RAG — Erweitert die Standard-Pipeline um Gesprächsverlauf, sodass Folgefragen den vorherigen Kontext berücksichtigen können.

Corrective RAG (CRAG) — Fügt einen Bewertungsschritt nach dem Retrieval hinzu. Wenn die abgerufenen Dokumente nicht relevant genug sind, wird die Suche verfeinert oder auf alternative Quellen zurückgegriffen.

Adaptive RAG — Klassifiziert die Anfrage zuerst und wählt dann die passende Strategie: einfache Anfragen werden direkt beantwortet, komplexe Anfragen durchlaufen mehrstufiges Retrieval.

Self-RAG — Das Modell entscheidet selbst, ob es Retrieval benötigt, bewertet die Relevanz jedes Dokuments und prüft seine eigene Antwort auf faktische Korrektheit.

Fusion RAG — Generiert mehrere Umformulierungen der Anfrage, führt parallele Suchen durch und fusioniert die Ergebnisse mittels Reciprocal Rank Fusion.

HyDE — Generiert zuerst eine hypothetische Antwort und nutzt deren Embedding für die Suche, um die semantische Lücke zwischen kurzen Fragen und langen Dokumenten zu überbrücken.

Agentic RAG — Ein Orchestrator-Agent delegiert Teilfragen an spezialisierte Sub-Agenten mit jeweils eigenen Werkzeugen und Wissensquellen.

GraphRAG — Ersetzt oder ergänzt die Vektorsuche durch einen Wissensgraphen, um Entitäten und deren Beziehungen explizit zu modellieren.

Das richtige Muster wählen

Nicht jedes Projekt braucht die komplexeste Lösung. Beginnen Sie mit Standard RAG, messen Sie die Qualität und steigen Sie nur dann auf ein aufwändigeres Muster um, wenn die Ergebnisse es erfordern. Conversational RAG ist der logische nächste Schritt, wenn Nutzer Folgedialoge führen. CRAG und Adaptive RAG eignen sich, wenn die Retrieval-Qualität schwankt. Self-RAG und Fusion RAG verbessern die Antwortqualität bei heterogenen Wissensbasen. HyDE hilft bei kurzen, vagen Anfragen. Agentic RAG und GraphRAG kommen zum Einsatz, wenn Wissen über mehrere Domänen oder komplexe Beziehungen verteilt ist.

In den folgenden Artikeln dieser Serie gehen wir jedes Muster im Detail durch — mit Architekturdiagrammen, Implementierungshinweisen und konkreten Empfehlungen.

Quellen

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

Gao et al. — Retrieval-Augmented Generation for Large Language Models: A Survey (2024)