RAG Architecture Deep Dive

Du kennst RAG bereits aus dem Fortgeschritten-Pfad: Dokumente embedden, per Vektorsuche abrufen, dem LLM als Kontext mitgeben. Das funktioniert -- bis es nicht mehr funktioniert. Falsche Chunks, irrelevante Ergebnisse, fehlender Zusammenhang bei komplexen Fragen.

In diesem Modul gehen wir in die Tiefe. Du lernst, warum Naive RAG an seine Grenzen stößt, welche Architekturen 2026 produktionsreif sind und wann RAG überhaupt noch die richtige Antwort ist.

Was dich erwartet

• RAG Evolution -- Von Naive RAG über Advanced RAG mit Hybrid Search und Re-Ranking bis zu Agentic RAG mit iterativen Loops
• Chunking-Strategien -- Warum Fixed-Size Chunking veraltet ist und wie Semantic Chunking und Parent-Child Chunking die Retrieval-Qualität transformieren
• Vector Databases -- Pinecone, Weaviate, pgvector und Qdrant im Architekturvergleich: Wann welche DB, wie skaliert man, was kostet es?
• GraphRAG -- Warum Knowledge Graphs + RAG bei Multi-Hop-Reasoning überlegen sind und wann reines Vector-Search nicht mehr reicht
• RAG vs. Long Context -- Die Gretchenfrage 2026: Braucht man bei 1M+ Token Kontextfenstern überhaupt noch RAG?

Voraussetzungen

Du solltest den Fortgeschritten-Pfad abgeschlossen haben. Insbesondere die Module zu Embeddings, Context Strategies und RAG Einführung sind Pflicht. Wenn du weißt, was Cosine Similarity misst, wie eine RAG-Pipeline aufgebaut ist und was ein Embedding-Vektor darstellt, bist du bereit.

Lass uns starten -- mit einem Blick auf die Evolution von RAG.

Reflektieren

RAG ist weit mehr als einfaches "Dokumente durchsuchen" -- es ist eine Architekturentscheidung mit vielen Stellschrauben. In diesem Modul tauchst du tief in Chunking-Strategien, Vektordatenbanken und die Abwägung zwischen RAG und Long Context ein. Los geht es mit der Evolution von RAG.