Retrieval-Augmented Generation, kurz RAG, bezeichnet eine Methode, bei der ein LLM vor der eigentlichen Antwort zusätzlich passende Informationen abruft, etwa aus einer aktuellen Websuche, und diese in die Antwort einbaut. Das ist der technische Grund, warum viele KI-Systeme heute Quellen zitieren können.
Warum RAG für die eigene Sichtbarkeit im Netz relevant ist
Ohne diesen zusätzlichen Abrufschritt könnte ein LLM nur mit seinem festen Trainingswissen antworten, ohne aktuelle Ereignisse oder frische Inhalte zu kennen. Dank RAG kann es stattdessen aktuelle Webseiten einbeziehen und als Quelle nennen, sofern diese klar auffindbar und eindeutig sind.
Wie sich Inhalte für RAG-basierte Systeme optimieren lassen
Wichtig sind eine gute technische Auffindbarkeit über Sitemap und Indexierung, klar strukturierte, eindeutige Fakten sowie eine Formulierung, die sich leicht aus dem Kontext herauslösen und zitieren lässt.
Praxisbeispiel: RAG bei einer aktuellen Preisfrage
Fragt jemand ein KI-System nach aktuellen Kosten für eine Stellenanzeige, kann das System dank RAG einen aktuellen Magazin-Artikel mit konkreten Zahlen abrufen und zitieren, statt sich auf veraltetes Trainingswissen zu verlassen.
Ioan Drozd hält deshalb Zahlen und Fakten in Magazin-Artikeln bewusst aktuell und eindeutig formuliert, damit RAG-basierte KI-Systeme bei einer Websuche genau diese Inhalte finden und korrekt zitieren können.
Verwandte Begriffe
Aktuell und eindeutig, damit KI-Systeme korrekt zitieren: Ioan Drozd hält Kunden-Inhalte bewusst aktuell und klar zitierfähig für RAG-basierte KI-Systeme. Mehr dazu im Artikel zu GEO und LLM-Optimierung für die KI-Suche.
Kostenloses Erstgespräch buchen →