Retrieval-Augmented Generation (RAG)
Kombinieren Sie Ihre eigenen Daten mit einem LLM, indem Sie relevante Dokumente abrufen und in den Prompt einfügen, um fundierte und aktuelle Antworten zu erzeugen
Retrieval-Augmented Generation (RAG) ist eine kostenlose AI Powered SaaS: Stripe + Auth + Billing + Deploy-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Powered SaaS: Stripe + Auth + Billing + Deploy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Powered SaaS: Stripe + Auth + Billing + Deploy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
What is RAG?
Retrieval-Augmented Generation gives an LLM access to external knowledge at query time. Instead of relying only on training data, you fetch relevant text and add it to the prompt.
- Answers stay current without retraining
- Reduces hallucinations
- Lets the model cite your private documents
The RAG Pipeline
A typical pipeline has two phases:
- Indexing: split documents into chunks, embed them, store vectors
- Retrieval + generation: embed the query, find similar chunks, feed them to the LLM
Chunking Documents
Split long documents into smaller chunks (often 200-500 tokens) with slight overlap. Good chunking keeps related ideas together so retrieval returns coherent context.
Creating Embeddings
An embedding model turns text into a numeric vector. Similar meanings produce nearby vectors. You embed every chunk during indexing.
const emb = await client.embeddings.create({
model: "text-embedding-3-small",
input: chunkText,
});
const vector = emb.data[0].embedding;Storing Vectors
Vectors live in a vector database such as pgvector, Pinecone, or Qdrant. Each record stores the vector plus metadata (source, title, chunk id) for later filtering and citation.
Retrieving Relevant Chunks
At query time you embed the user question and run a similarity search (cosine distance) to get the top-k closest chunks.
SELECT content FROM docs
ORDER BY embedding <=> $1
LIMIT 5;Building the Augmented Prompt
Insert the retrieved chunks into the prompt as context, then ask the model to answer using only that context.
const prompt = "Context:\n" + chunks.join("\n---\n") +
"\n\nQuestion: " + userQuestion +
"\nAnswer using only the context above.";Citing Sources
Because each chunk carries metadata, you can show citations next to the answer. This builds trust and lets users verify claims against the original document.
Handling No Good Match
If similarity scores are all low, the knowledge base probably lacks the answer. Detect this with a threshold and have the model reply that it does not know, rather than guessing.
Keeping the Index Fresh
When source documents change, re-embed and upsert the affected chunks. Track a content hash per chunk so you only re-index what actually changed, saving embedding cost.
Evaluating RAG Quality
Measure two things: retrieval quality (did we fetch the right chunks?) and answer quality (is the response grounded?). Use a test set of question and answer pairs and check whether the cited chunks contain the supporting facts.
Quick Check
Check your understanding of RAG.
Recap
You learned the full RAG flow:
- Chunk and embed documents into a vector store
- Embed the query and retrieve top-k similar chunks
- Augment the prompt and answer with citations
- Handle low-confidence matches and keep the index fresh
RAG grounds your AI features in your own data without retraining.
Häufig gestellte Fragen
Ist die Lektion „Retrieval-Augmented Generation (RAG)“ kostenlos?
Ja — der vollständige Text von „Retrieval-Augmented Generation (RAG)“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Powered SaaS: Stripe + Auth + Billing + Deploy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Powered SaaS: Stripe + Auth + Billing + Deploy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Retrieval-Augmented Generation (RAG)“?
Kombinieren Sie Ihre eigenen Daten mit einem LLM, indem Sie relevante Dokumente abrufen und in den Prompt einfügen, um fundierte und aktuelle Antworten zu erzeugen Du übst AI Powered SaaS: Stripe + Auth + Billing + Deploy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Powered SaaS: Stripe + Auth + Billing + Deploy zu starten?
Keine Vorkenntnisse erforderlich. AI Powered SaaS: Stripe + Auth + Billing + Deploy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Retrieval-Augmented Generation (RAG)“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Powered SaaS: Stripe + Auth + Billing + Deploy-Lektion Code schreiben und ausführen?
Ja. Jede AI Powered SaaS: Stripe + Auth + Billing + Deploy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Feinabstimmung von LLMs
- KI-Verarbeitung in Echtzeit
- Überwachung der KI-Leistung
- Retrieval-Augmented Generation (RAG)