Was ist Retrieval Augmented Generation?
Retrieval Augmented Generation – kurz RAG – ist ein technisches Verfahren, bei dem ein Large Language Model vor der Antwortgenerierung relevante Dokumente aus einer externen Wissensbasis abruft (Retrieval) und diese in seine Antwort einbezieht (Augmented Generation). RAG ist die technische Grundlage der meisten AI-Suchmaschinen.
Wie funktioniert RAG?
Der RAG-Prozess besteht aus drei Schritten: Zunächst wird die Nutzeranfrage in einen mathematischen Vektor umgewandelt (Embedding). Dann wird dieser Vektor mit einer Vektor-Datenbank abgeglichen, um die relevantesten Dokumente zu finden. Schließlich generiert das LLM eine Antwort, die sowohl auf seinem trainierten Wissen als auch auf den abgerufenen Dokumenten basiert – und referenziert die verwendeten Quellen.
Warum ist RAG für GEO relevant?
RAG erklärt, warum GEO funktioniert: Wenn eine AI-Suchmaschine Ihre Website als relevantes Dokument abruft und in die Antwort einbezieht, erscheinen Sie als zitierte Quelle. GEO-Maßnahmen zielen darauf ab, dass Ihre Inhalte im Retrieval-Schritt als relevant erkannt werden – durch klare Struktur, hohe Zitierfähigkeit und thematische Autorität.
Was ist der Vorteil von RAG gegenüber reinem LLM-Wissen?
Ohne RAG kann ein LLM nur auf sein Trainingswissen zurückgreifen, das veraltet sein kann. RAG ermöglicht aktuelle Antworten mit verifizierbaren Quellen – ein enormer Qualitätssprung, der AI-Suchmaschinen erst praxistauglich gemacht hat.
💡 Kurz & knapp
RAG = AI holt sich externe Quellen, bevor sie antwortet. Ihre Website kann eine dieser Quellen sein – genau das ist das Ziel von GEO.