RAG (Retrieval-Augmented Generation)

RAG (Retrieval-Augmented Generation) ist ein Verfahren, das ein großes Sprachmodell mit einem vorgeschalteten Abrufschritt kombiniert. Statt eine Antwort allein aus dem Trainingswissen zu erzeugen, sucht das System zunächst relevante Dokumente aus einer externen Quelle, etwa einem Suchindex oder einer Wissensdatenbank, und übergibt diese Inhalte als Kontext an das Modell.

Der Ansatz ist wichtig, weil er zwei Schwächen reiner Sprachmodelle adressiert: veraltetes Wissen und Halluzinationen. Durch die Anbindung an aktuelle, überprüfbare Quellen liefert das Modell faktentreuere Antworten und kann diese mit Belegen versehen. KI-Suchsysteme wie Perplexity, Google AI Overviews oder ChatGPT mit Websuche arbeiten nach diesem Prinzip.

Für die Sichtbarkeit in KI-Suchen ist RAG zentral, denn nur Inhalte, die im Abrufschritt gefunden und ausgewählt werden, können in die generierte Antwort einfließen. Klar strukturierte, gut auffindbare und thematisch eindeutige Inhalte erhöhen die Chance, als Quelle herangezogen und zitiert zu werden. GEO setzt an diesem Abrufschritt an und bereitet Inhalte so auf, dass Suchsysteme sie dort finden.