Abruf / RAG
Bei RAG sucht ein Programm passende Textstellen aus einer Wissenssammlung und gibt sie dem Modell mit, statt sich auf dessen Gedächtnis zu verlassen.
Fachwort: Retrieval-Augmented Generation (RAG) / abrufgestützte Generierung
Im Netz
Was das Netz dazu sagt
Der Begriff RAG stammt aus Lewis u. a. (2020) und bezeichnet Modelle, die gelerntes Wissen in den Gewichten mit einem durchsuchbaren externen Index (dort Wikipedia) verbinden.
Stand 22.05.2020belegtarXiv (Lewis u. a., NeurIPS 2020) · Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
OpenAI beschreibt RAG als das Hinzufügen relevanter Zusatzinformationen zur Anfrage, damit das Modell Wissen jenseits seiner Trainingsdaten nutzen kann.
Stand 15.10.2026AnbieterangabeOpenAI · Prompt engineering
OpenAI: File Search „enables models to retrieve information in a knowledge base of previously uploaded files through semantic and keyword search“; die Wissensbasis entsteht durch Vektorspeicher, in die man Dateien lädt.
Stand 16.10.2026AnbieterangabeOpenAI · File search
OpenAI weist darauf hin, dass weniger Treffer (
max_num_results) Token und Wartezeit sparen, aber „may come at the cost of reduced answer quality“.Stand 16.10.2026AnbieterangabeOpenAI · File search
Google: Das File-Search-Werkzeug der Gemini API „imports, chunks, and indexes your data“; Speicher und Einbetten bei der Abfrage sind frei, bezahlt werden das Einbetten beim Indexieren und die abgerufenen Stücke als Kontext-Token.
Stand 16.10.2026AnbieterangabeGoogle · File Search
Antworten mit Gemini File Search können Zitate tragen (Dateiname, bei PDF die Seite), damit man die Aussage an der Quelle prüfen kann.
Stand 16.10.2026AnbieterangabeGoogle · File Search