Artikel für Leute, die
den Stack ausliefern
Beiträge zu React, Node.js, TypeScript und AI. Ein übersetzter Text wird gezeigt, wenn er existiert. Sonst sehen Sie den englischen Text und einen Hinweis.
Tag: Retrieval
Drei Gründe, warum RAG-Systeme in der Praxis versagen: fragmentierter Kontext, Abweichungen und Fehlnutzung.
Drei Gründe, warum RAG in der Produktion versagt: fragmentierter Kontext durch Chunking, Abweichungen im Laufe des Wachstums der Wissensdatenbank sowie Fehlgebrauch trotz guter Suche – mit Lösungen auf Ebene der Schichten.
11 Min. LesezeitNeubewertung in RAG: Cross-Encoder gegen LLM-Bewerter und ihre Latenzzeit
Wie ein zweistufiger Neurangier die Reihenfolge der Kandidaten in RAG korrigiert, mit Vergleichen von Cross-Encodern und LLM-Bewertern, Latenzkosten, Ausfallmöglichkeiten sowie Möglichkeiten ihrer Bewertung.
14 Min. LesezeitWarum RAG existiert: Parametrische Speicherung, dichte Suche und die Veröffentlichung von 2020
Warum RAG existiert: Die Grenzen der parametrischen Speicherung, wie BM25 und Embeddings zu einer dichten Suchfunktion führten, sowie welche Kompromisse RAG-Sequence und RAG-Token im Paper eingehen.
7 Min. LesezeitDebugging von RAG-Auswertungsmethoden: Recall@K, BM25, hybride Fusion sowie Neubewertung
Ein kleines Experiment mit einem RAG-Pipeline, bei dem der richtige Chunk auf dem vierten Platz landete, um zu zeigen, wie Chunking, BM25, Rangfusion und Neuranking die Recall@3-Werte sowie den MRR verändern.
11 Min. LesezeitSieben RAG-Architekturen jenseits des naiven Ansatzes und wann sich jede eignet
Naive RAG-Systeme versagen auf vorhersehbare Weise. Sieben Architekturen – von kontextuellen Notizen über mehrere Agenten bis hin zum Speicherabruf – samt ihren Vor- und Nachteilen sowie den Anwendungsfällen für jede.
9 Min. LesezeitWarum Reranking der günstigste große Vorteil in einem RAG-Pipeline ist
50 Einträge abrufen und neu rangieren auf die 5 besten: Wie das Cross-Encoder-Reranking die Reihenfolge in einem RAG-Pipeline-System verbessert, welche Vorteile und Verzögerungen zu erwarten sind, wann man darauf verzichten sollte und was man tatsächlich bereitstellen muss.
8 Min. LesezeitWarum RAG immer noch falsche Antworten liefert: Hybrider Suchalgorithmus, Reranking und Recall@K
Saubere Datenblöcke garantieren keine guten Antworten. Sehen Sie, wo die Vektorabrufung versagt und wie Fusion, ein Cross-Encoder-Reranker, HyDE sowie die Recall@K-Messung dies beheben.
6 Min. LesezeitMultiDocFusion: Hierarchiebewusstes Chunking für RAG bei langen PDF-Dateien.
MultiDocFusion bewahrt den Abschnittskontext in jedem Teilabschnitt eines langen PDFs: Layouterkennung, OCR, ein Header-Tree-LLM sowie DFS-Gruppierung, um eine 8-15% bessere RAG-Aufrufleistung zu erzielen.
7 Min. LesezeitSchicht für Schicht: Entwurf eines echten RAG-Auswertungspipelines für KI-Agenten
Planen Sie einen RAG-Pipeline mit den Kontrakten SourceDocument und DocumentChunk, Chunking-, Embedding- sowie ChromaDB-Funktionen – alles hinter einem RetrievalService, der die Stabilität des Agents gewährleistet.
10 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.