Embeddings, semantische Suche und RAG

Lernziele

Modellantworten mit abgerufenen Quellen kontextualisieren. Nach dieser Lektion kannst du das Konzept erklären, ein kleines Beispiel umsetzen und typische Grenzen benennen.

Erklärung

Embeddings bilden Text als Vektoren ab, deren Nähe semantische Ähnlichkeit approximieren kann. Retrieval sucht passende Textabschnitte; RAG stellt sie dem Modell als Kontext bereit. Chunk-Größe, Metadaten, Index und Query beeinflussen Treffer.

Schrittweises Beispiel

Pipeline: Dokumente säubern → in Chunks teilen → einbetten → Kandidaten abrufen → Quellenkontext begrenzt in Prompt einfügen → Antwort und Belege prüfen.

def retrieve(query, chunks, limit=3):
    ranked = sorted(chunks, key=lambda chunk: chunk["score"], reverse=True)
    return ranked[:limit]

print(retrieve("frage", [], 3))

Zusammenfassung

RAG verbindet Abruf und Generierung, ersetzt aber weder gute Daten noch Evaluation.