Glossar
RAG
Kurz gesagt: Retrieval-Augmented Generation (RAG) ist die Architektur, bei der ein System relevante Dokumente abruft und sie an ein Sprachmodell übergibt, um eine fundierte Antwort zu verfassen.
Retrieval-Augmented Generation ist das technische Muster hinter den meisten „grounded" KI-Antworten. Der Ablauf hat drei Stufen: Die Frage des Nutzers wird in eine oder mehrere Suchanfragen umgewandelt; ein Retriever holt die relevantesten Passagen aus einem Index; und das Sprachmodell erhält diese Passagen als Kontext und wird aufgefordert, eine Antwort zu schreiben, meist mit der Anweisung, sie zu zitieren.
Das Muster ist für GEO wichtig, weil es verändert, welche Inhalte gewinnen. Der Retriever ist typischerweise eine Suchmaschine oder ein Vektorindex, Seiten müssen also indexierbar und semantisch nah an der Frage sein. Das Modell wählt dann aus den abgerufenen Passagen aus, der nützliche Teil einer Seite muss also in sich geschlossen und zitierfähig sein: ein Absatz, der die Antwort, den Preis oder den Standort in klaren Worten nennt, ohne von Text an anderer Stelle der Seite abzuhängen.
RAG erklärt auch einige Fehlerbilder. Liefert das Retrieval einen Verzeichniseintrag mit einer alten Adresse, kann das Modell ihn selbstbewusst wiederholen. Liefert das Retrieval nichts über Sie, sind Sie schlicht abwesend, so gut Ihr Ruf offline auch sein mag.
Das GEO-Bereitschafts-Audit von Seoptist prüft die Bedingungen, von denen RAG abhängt: Crawler-Zugang, serverseitig gerenderte Inhalte, FAQ-Blöcke und fragenförmige Absätze sowie Konsistenz zwischen Ihrer Website und der Faktenkarte, mit der ungenaue Antworten erkannt werden.