Fortgeschritten · RAG-Optimierung

RAG-Systeme optimieren: Chunking, Reranking

RAG richtig machen – Warum RAG-Qualität stark variiert und was ihr dagegen tun könnt

Ein RAG-System ist nur so gut wie seine Komponenten: Chunking-Strategien, Embedding-Auswahl, Reranking und Evaluierung entscheiden über die Antwortqualität. Diese Lektion zeigt, wie du jede Stufe der RAG-Pipeline gezielt optimierst. Die Grundlagen von RAG solltest du dafür bereits kennen.

⚠️ RAG ist kein Plug-and-Play. Für gute Ergebnisse braucht es Zeit, Know-how und kontinuierliche Optimierung.

📊 Woraus setzt sich RAG-Qualität zusammen?

📄

Datenqualität

40%

✂️

Chunking-Strategie

25%

🧠

Embedding-Modell

20%

🔍

Retrieval-Strategie

15%

📄 Datenqualität

40%

✂️ Chunking-Strategie

25%

🧠 Embedding-Modell

20%

🔍 Retrieval-Strategie

15%

👆 Klicke auf einen Faktor oben, um Details zu sehen

Dokumenttyp	Struktur	Empfohlenes Chunking	Datenbank
❓FAQ / Q&A	Frage-Antwort-Paare	Jede Q&A als eigener Chunk, Satz-basiert	📊 Vektor
📖Handbücher	Kapitel → Abschnitte → Text	Hierarchisch oder Absatz-basiert mit Overlap	📊 Vektor
📜Verträge	Paragraphen, Klauseln, Referenzen	Semantisch, Paragraph-basiert, mit Metadaten	🔀 Hybrid
🛒Produktkataloge	Strukturierte Daten, Beziehungen	Graph für Beziehungen + Vektor für Beschreibungen	🔀 Hybrid
📧E-Mails / Tickets	Threads, Konversationen	Pro Nachricht + Thread-Kontext als Metadaten	📊 Vektor
💻Code-Dokumentation	Funktionen, Klassen, Beispiele	Pro Funktion/Klasse, mit Code-Beispielen	📊 Vektor

Schulungsmaterial · RAG-Optimierung·KI-Wissen Team·Aktualisiert: 22. Februar 2026

Fortgeschrittene KI-Systeme

→

RAG-Systeme optimieren: Chunking, Reranking

📊 Woraus setzt sich RAG-Qualität zusammen?

📋 Empfehlungen nach Dokumenttyp

🎯 Die wichtigsten Erkenntnisse

⏱️ Realistischer Aufwand