Self-Querying und Quellenangaben
Bringen Sie RAG mit Self-Querying-Retrievern weiter, die natürliche Sprache in Metadatenfilter umwandeln, sowie mit Antworten, die ihre Quellen angeben, damit Nutzer ihnen vertrauen und sie überprüfen können.
Self-Querying und Quellenangaben ist eine kostenlose LLM Apps in Production (RAG + Vector DB + Caching)-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 LLM Apps in Production (RAG + Vector DB + Caching)-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der LLM Apps in Production (RAG + Vector DB + Caching)-Kurs umfasst insgesamt 4 Lektionen.
Wenn Fragen Filter enthalten
Benutzer stellen Fragen wie: give me 2023 reports about pricing. Dieser Satz enthält einen Filter (Jahr 2023) und eine semantische Abfrage (pricing).
Ein Self-Querying-Retriever trennt beides automatisch.
So funktioniert Self-Querying
Ein LLM liest die Frage und gibt eine strukturierte Abfrage aus: den String für die semantische Suche zusammen mit einem Metadatenfilter. Der Retriever wendet beides auf den Vektorspeicher an.
Ihre Metadaten beschreiben
Sie teilen dem Retriever mit, welche Felder vorhanden sind, damit er weiß, nach welchen Feldern er filtern kann.
from langchain.chains.query_constructor.schema import AttributeInfo
fields = [
AttributeInfo(name='year', description='Publication year', type='integer'),
AttributeInfo(name='topic', description='Document topic', type='string')
]Den Retriever erstellen
Kombinieren Sie das LLM, den Speicher, eine Inhaltsbeschreibung und die Feldinformationen zu einem Self-Querying-Retriever.
from langchain.retrievers.self_query.base import SelfQueryRetriever
retriever = SelfQueryRetriever.from_llm(
llm, vectorstore,
'Company reports', fields
)In Aktion erleben
Eine natürlichsprachliche Frage wird nun automatisch in einen Filter und eine Suche aufgeteilt – ganz ohne manuellen Filtercode.
docs = retriever.invoke(
'pricing reports from 2023'
)Warum Zitate wichtig sind
In Produktionsumgebungen müssen Benutzer Antworten überprüfen können. Antworten ohne Quellen sind schwer vertrauenswürdig und können Halluzinationen verbergen. Zitate verknüpfen jede Aussage mit ihrem Dokument.
Quellenmetadaten mitführen
Zitate setzen voraus, dass jeder Chunk in seinen Metadaten speichert, woher er stammt – Dateiname, Seite oder URL. Legen Sie diese Angaben beim Laden fest.
doc.metadata['source'] = 'policy.pdf#p3'Zitate per Prompt anfordern
Nummerieren Sie die Kontext-Chunks und bitten Sie das Modell, die Nummern der verwendeten Chunks zu zitieren. Das ist einfach und zuverlässig.
ctx = '\n'.join(
f'[{i}] {d.page_content}'
for i, d in enumerate(docs)
)
# 'Cite sources like [1] after each claim.'Nummern Quellen zuordnen
Ordnen Sie die zitierten Nummern nach der Generierung wieder den tatsächlichen Quellenmetadaten zu, damit die Benutzeroberfläche anklickbare Verweise anzeigen kann.
sources = {i: d.metadata['source']
for i, d in enumerate(docs)}Zitate überprüfen
Modelle zitieren manchmal falsche oder nicht existente Quellen. Eine Sicherheitsprüfung bestätigt, dass jeder zitierte Chunk die Aussage tatsächlich stützt, und kennzeichnet nicht belegte Aussagen.
Alles zusammenführen
Self-Querying findet mithilfe der Filter in der Frage die richtigen Dokumente; Zitate machen die daraus entstehende Antwort transparent. Zusammen erhöhen beide Techniken Präzision und Vertrauen in fortgeschrittenen RAG-Systemen.
Kurzer Test
Testen Sie Ihr Wissen über fortgeschrittene RAG-Systeme.
Zusammenfassung
Sie haben zwei fortgeschrittene RAG-Techniken kennengelernt:
- Self-Querying wandelt natürliche Sprache in Metadatenfilter und eine semantische Abfrage um
- Beschreiben Sie Ihre Felder, damit das LLM weiß, wonach es filtern kann
- Zitate verknüpfen Aussagen mit Quellen und schaffen Vertrauen
- Führen Sie Quellenmetadaten mit, fordern Sie Zitate an und überprüfen Sie sie
Filtern und Zitieren machen RAG gemeinsam präzise und vertrauenswürdig.
Lerne LLM Apps in Production (RAG + Vector DB + Caching) mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 12
- Lektionen
- 48
Häufig gestellte Fragen
Ist die Lektion „Self-Querying und Quellenangaben“ kostenlos?
Ja — der vollständige Text von „Self-Querying und Quellenangaben“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des LLM Apps in Production (RAG + Vector DB + Caching)-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der LLM Apps in Production (RAG + Vector DB + Caching)-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Self-Querying und Quellenangaben“?
Bringen Sie RAG mit Self-Querying-Retrievern weiter, die natürliche Sprache in Metadatenfilter umwandeln, sowie mit Antworten, die ihre Quellen angeben, damit Nutzer ihnen vertrauen und sie überprüfe… Du übst LLM Apps in Production (RAG + Vector DB + Caching) 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 LLM Apps in Production (RAG + Vector DB + Caching) zu starten?
Keine Vorkenntnisse erforderlich. LLM Apps in Production (RAG + Vector DB + Caching) 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 „Self-Querying und Quellenangaben“?
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 LLM Apps in Production (RAG + Vector DB + Caching)-Lektion Code schreiben und ausführen?
Ja. Jede LLM Apps in Production (RAG + Vector DB + Caching)-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
- Abfrageumschreibung und Neuranking
- Mehrstufige und agentische RAG-Muster
- Komplexe Dokumentstrukturen verarbeiten
- Self-Querying und Quellenangaben