Retrieval-Augmented Generation ist eine Anwendung der künstlichen Intelligenz (KI), die ein generatives KI-Modell mit einer externen Wissensdatenbank verbindet. Die Daten in der Wissensdatenbank erweitern Benutzeranfragen um mehr Kontext, sodass das LLM genauere Antworten generieren kann. RAG ermöglicht es LLMs, in domänenspezifischen Kontexten genauer zu sein, ohne dass eine Feinabstimmung erforderlich ist. 

​

Anstatt sich ausschließlich auf Trainingsdaten zu verlassen, können RAG-fähige KI-Modelle über APIs und andere Verbindungen zu Datenquellen in Echtzeit auf aktuelle Daten zugreifen. Eine Standard-RAG-Pipeline umfasst zwei KI-Modelle: 

​

- Die Komponente zur Informationsbeschaffung, in der Regel ein Modell zur Einbettung, das mit einer Vektordatenbank gekoppelt ist, die die abzurufenden Daten enthält. 

- Die generative KI-Komponente, in der Regel ein LLM.

 

Als Reaktion auf Benutzeranfragen in natürlicher Sprache wandelt das Einbettungsmodell die Anfrage in eine Vektoreinbettung um und ruft dann ähnliche Daten aus der Wissensdatenbank ab. Das KI-System kombiniert die abgerufenen Daten mit der Benutzeranfrage, um kontextbezogene Antworten zu generieren.

​

Info IBM: https://www.ibm.com/de-de/think/topics/agentic-rag

​Interessant Chat & build with open models: https://ollama.com/

Interessant RAG mit ManusAI: https://www.manus.im

​

​

Ich verstehe die Zukunftsmöglichkeiten von Manus

 

Es ist derzeit ein vielseitiges, aber noch nicht vollständig professionell ausgereiftes Tool, das darauf abzielt, komplette Ergebnisse, Präsentationen und weitere Inhalte in einem einzigen Folder zu bündeln. Für die Zukunft ergeben sich daraus spannende Entwicklungsperspektiven:

​