Kurz zusammengefasst
- Standard-RAG sucht einmal nach passenden Abschnitten und übergibt sie dem Sprachmodell.
- Hybrid RAG kombiniert meist semantische Vektorsuche mit exakter Stichwortsuche und zusätzlichem Ranking.
- Multi-Hop RAG verbindet mehrere Suchschritte; GraphRAG erschliesst Beziehungen und übergreifende Muster.
- Multimodales RAG bezieht beispielsweise Tabellen, Bilder oder Video ein.
- Adaptive und agentische Ansätze steuern dynamisch, ob, wo und wie oft gesucht wird.
- Die einfachste nachweislich ausreichende Architektur ist meist die beste Ausgangslage.
Warum es keine einzige offizielle Liste gibt
Der ursprüngliche Begriff Retrieval-Augmented Generation bezeichnet ein Grundprinzip: Ein generatives Modell erhält zur Anfrage passende Informationen aus einer externen Wissensquelle. Seither sind viele Architekturen, Suchverfahren und Qualitätsmechanismen entstanden.
Eine häufig zitierte Forschungstaxonomie unterscheidet Naive RAG, Advanced RAG und Modular RAG. Für ein Unternehmensprojekt ist zusätzlich eine praktischere Einordnung hilfreich: Wie sind die Quellen repräsentiert, wie läuft die Suche ab und wie wird der Ablauf gesteuert?
- Form der Wissensquelle
- Textabschnitte und Vektoren, strukturierte Daten, Wissensgraphen oder mehrere Medienarten stellen unterschiedliche Anforderungen an Erschliessung und Suche.
- Ablauf der Suche
- Eine Anfrage kann mit einem Suchschritt beantwortet werden oder mehrere aufeinander aufbauende Abfragen und Quellen benötigen.
- Steuerung und Qualitätskontrolle
- Der Ablauf kann fest definiert sein oder dynamisch entscheiden, welche Suche, Quelle, Korrektur oder weitere Prüfung erforderlich ist.
Standard-RAG und Hybrid RAG
Bei einem einfachen RAG-Ablauf wird eine Frage in eine Suchanfrage übersetzt. Das System findet passende Abschnitte, stellt sie dem Sprachmodell als Kontext bereit und erzeugt daraus eine Antwort. Das ist für klar abgegrenzte Dokumentbestände oft ein sinnvoller Start.
Reine Vektorsuche ist gut darin, ähnliche Bedeutungen zu erkennen. Exakte Kennungen, Produktnamen oder seltene Fachbegriffe findet eine klassische Stichwortsuche häufig zuverlässiger. Hybrid RAG verbindet beide Verfahren und ordnet die Treffer anschliessend neu.
| Ansatz | So funktioniert er | Typische Stärke | Typische Grenze |
|---|---|---|---|
| Standard-RAG | Eine Anfrage, eine Suche, passende Abschnitte und daraus eine Antwort. | Überschaubare Wissensbestände und direkte Fragen | Komplexe Fragen über mehrere Quellen werden leicht unvollständig beantwortet. |
| Vektorsuche | Findet Inhalte mit ähnlicher Bedeutung, auch wenn andere Wörter verwendet werden. | Natürlich formulierte Fragen und sinngleiche Passagen | Exakte Codes, Namen oder Zahlenfolgen können zu wenig Gewicht erhalten. |
| Stichwortsuche | Gewichtet übereinstimmende Wörter und Zeichenfolgen. | Artikelnummern, Fehlercodes, Eigennamen und Fachbegriffe | Verpasst relevante Passagen, die denselben Sachverhalt anders formulieren. |
| Hybrid RAG | Verbindet semantische und exakte Suche, Filter und häufig einen Reranker. | Heterogene Unternehmensdokumente und gemischte Fragetypen | Mehr Komponenten müssen abgestimmt und mit realen Fragen getestet werden. |
Multi-Hop RAG und GraphRAG lösen unterschiedliche Probleme
Multi-Hop RAG beschreibt den Ablauf: Eine komplexe Frage wird in mehrere abhängige Suchschritte zerlegt. Ein Zwischenergebnis bestimmt, wonach als Nächstes gesucht wird. Das ist hilfreich, wenn die Antwort erst durch die Verbindung mehrerer Belege entsteht.
GraphRAG beschreibt stärker die Wissensrepräsentation und Erschliessung. Entitäten wie Personen, Systeme, Produkte oder Verträge werden mit ihren Beziehungen verbunden. Dadurch lassen sich Abhängigkeiten, Netzwerke und übergreifende Themen untersuchen, die in einzelnen Textabschnitten schwer sichtbar sind.
Beides kann zusammenarbeiten: Ein Multi-Hop-Ablauf kann mehrere Pfade in einem Wissensgraphen verfolgen. Umgekehrt braucht nicht jede GraphRAG-Anfrage mehrere Suchschritte.
- Multi-Hop RAG
- Geeignet für Fragen wie: Welche betroffenen Anlagen gehören zu Lieferanten, deren Zertifikat bald abläuft und für die kritische Abweichungen offen sind?
- GraphRAG – lokale Sicht
- Sucht gezielt im Umfeld einer Entität oder Beziehung, etwa nach Systemen, die von einer bestimmten Schnittstelle abhängig sind.
- GraphRAG – globale Sicht
- Verdichtet Strukturen und wiederkehrende Themen über einen gesamten Bestand, etwa zentrale Risikocluster in vielen Projektberichten.
- Zusätzlicher Aufwand
- Entitäten, Beziehungen, Aktualisierungen und Zugriffsrechte müssen zuverlässig erzeugt, gepflegt und geprüft werden.
Multimodales, adaptives und agentisches RAG
Weitere Begriffe beschreiben, welche Medien einbezogen werden oder wie flexibel das System den Suchprozess steuert. Sie sind keine automatisch besseren Ausbaustufen, sondern Antworten auf andere Anforderungen.
- Multimodales RAG
- Bezieht neben Text beispielsweise Tabellen, Diagramme, Bilder, Audio oder Video in Suche und Antwort ein. Dafür müssen Erkennung, Verknüpfung und Quellenanzeige je Medium geprüft werden.
- Adaptive RAG
- Wählt anhand der Frage zwischen keiner Suche, einer einfachen Suche oder einem mehrstufigen Ablauf. Ziel ist, Aufwand und Qualität an die tatsächliche Komplexität anzupassen.
- Agentic RAG
- Ein Agent plant Suchschritte, wählt Werkzeuge oder Quellen, bewertet Zwischenergebnisse und kann weitere Abfragen auslösen. Das erhöht Flexibilität, aber auch Laufzeit, Kosten und Kontrollbedarf.
- Self-RAG und Corrective RAG
- Diese Forschungsansätze ergänzen Selbstbewertung beziehungsweise eine Prüfung der gefundenen Inhalte. Schlechte oder unzureichende Treffer sollen erkannt und die Suche bei Bedarf korrigiert werden.
Welche Variante passt zu welcher Aufgabe?
Die passende Architektur ergibt sich nicht aus einem Produktnamen, sondern aus den realen Fragen, Quellen und Fehlerrisiken. Die folgende Einordnung ist ein Startpunkt; die Entscheidung sollte mit repräsentativen Testfällen belegt werden.
| Ausgangslage | Sinnvoller Startpunkt | Vor einer Erweiterung prüfen |
|---|---|---|
| Direkte Fragen an einen klaren Dokumentbestand | Standard-RAG mit Quellenangaben | Werden die richtigen Abschnitte gefunden und reichen sie für eine belegte Antwort? |
| Natürliche Fragen plus exakte Codes oder Fachbegriffe | Hybrid RAG mit Filtern und Reranking | Welche Suchart liefert bei welchem Fragetyp die besseren Kandidaten? |
| Antworten verbinden mehrere Dokumente oder Systeme | Multi-Hop oder iteratives RAG | Sind Zwischenschritte nachvollziehbar und gegen Fehlerfortpflanzung abgesichert? |
| Beziehungen und Gesamtmuster sind wichtiger als einzelne Passagen | GraphRAG oder eine strukturierte Graphabfrage | Rechtfertigt der Nutzen Aufbau, Pflege und Kontrolle des Graphen? |
| Wesentliche Information steckt in Tabellen, Bildern oder Video | Multimodales RAG | Kann das System jedes Medium korrekt lesen, belegen und bei Widersprüchen priorisieren? |
| Der Suchweg ist variabel und nutzt mehrere Werkzeuge | Adaptives oder agentisches RAG | Welche Schritte, Kosten, Rechte und Abbruchbedingungen müssen begrenzt werden? |
Nicht jeder RAG-Baustein ist eine eigene RAG-Art
Viele wichtige Begriffe bezeichnen Verbesserungen innerhalb einer RAG-Pipeline. Sie können in unterschiedlichen Architekturen eingesetzt werden und sollten deshalb nicht als separate Komplettlösung verstanden werden.
- Chunking
- Teilt Dokumente in suchbare Abschnitte. Grösse, Überlappung und Struktur beeinflussen, ob genügend Kontext erhalten bleibt.
- Query Rewriting und HyDE
- Formulieren eine Anfrage um oder erzeugen eine hypothetische Zielpassage, damit die Suche passendere Kandidaten findet.
- Reranking
- Bewertet zunächst gefundene Kandidaten genauer und bringt die voraussichtlich nützlichsten Abschnitte nach vorne.
- Vektordatenbank
- Ist eine mögliche technische Komponente für semantische Suche, aber allein noch kein vollständiges RAG-System.
- Fine-Tuning
- Verändert das Verhalten oder Wissen eines Modells durch Training. Es ist ein anderes Verfahren und ersetzt keine aktuelle, berechtigungsgesteuerte Suche.
Komplexität nur mit einem belegten Grund hinzufügen
Eine anspruchsvollere Architektur ist nicht automatisch genauer. Jeder zusätzliche Suchschritt kann neue Fehler, Laufzeit und Kosten einführen. Deshalb sollte eine einfache Referenzlösung zuerst zeigen, welche Fragen bereits zuverlässig beantwortet werden und wo sie konkret scheitert.
- Schritt 1
Frageklassen und Qualitätsziel festlegen
Sammeln Sie reale einfache, exakte, mehrstufige und gegebenenfalls multimodale Fragen samt erwarteten Belegen.
- Schritt 2
Verbindliche Quellen und Rechte klären
Bestimmen Sie, welche Informationen gelten, wie aktuell sie sein müssen und wer sie sehen darf.
- Schritt 3
Mit einer einfachen Referenz starten
Messen Sie Suchtreffer, Quellenabdeckung, Antworttreue, Laufzeit und Kosten mit einem nachvollziehbaren Basisaufbau.
- Schritt 4
Gezielt erweitern
Fügen Sie Hybrid-, Multi-Hop-, Graph-, multimodale oder agentische Komponenten nur für nachgewiesene Lücken hinzu.
- Schritt 5
Suche und Antwort getrennt prüfen
Unterscheiden Sie, ob die richtige Information nicht gefunden wurde oder ob das Modell vorhandene Belege falsch verarbeitet hat.
Eine Plattform kann mehrere RAG-Muster kombinieren
Ein Industrieunternehmen startet für Arbeitsanweisungen mit Hybrid RAG, damit sowohl natürlich formulierte Fragen als auch exakte Anlagencodes funktionieren. Für eine Frage zu Lieferanten, auslaufenden Zertifikaten und offenen Qualitätsfällen werden mehrere Quellen schrittweise verbunden. Ein Graph lohnt sich erst, wenn Abhängigkeiten zwischen Lieferanten, Bauteilen und Anlagen regelmässig analysiert werden. Technische Zeichnungen kommen über einen separat geprüften multimodalen Pfad hinzu.
Was Sie mitnehmen sollten
Behandeln Sie RAG-Begriffe als kombinierbare Architekturmerkmale, nicht als Rangliste. Beginnen Sie mit Ihren echten Fragen und einer einfachen Referenzlösung; erweitern Sie Suche, Datenstruktur und Steuerung nur dort, wo Tests einen konkreten Bedarf zeigen.
Quellen und Vertiefung
Diese Primärquellen vertiefen Definitionen, technische Grundlagen oder verantwortlichen Einsatz.
Inhaltlich geprüft
Die Forschung verwendet überlappende Taxonomien. Die hier verwendeten Begriffe ordnen verbreitete Architekturmuster praxisnah ein und stellen keine verbindliche Norm dar.
- Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
- Gao et al.: Retrieval-Augmented Generation for Large Language Models – A Survey
- Microsoft Research: From Local to Global – A Graph RAG Approach
- Tang und Yang: MultiHop-RAG – Benchmarking RAG for Multi-Hop Queries
- Jeong et al.: Adaptive-RAG – Adapting Retrieval to Question Complexity
- Chen et al.: MuRAG – Multimodal Retrieval-Augmented Generator
- Asai et al.: Self-RAG – Retrieve, Generate and Critique through Self-Reflection
- Yan et al.: Corrective Retrieval Augmented Generation