Quellen & weiterführende Links
iQuellen geprüft: September 2026
Quellenlage im September 2026 geprüft: Links auf Erreichbarkeit kontrolliert und um die Belege für den aktuellen Stand ergänzt. Da sich die KI-Welt schnell entwickelt, können einzelne Details inzwischen überholt sein.
Quellen
-
Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv:2005.11401. https://arxiv.org/abs/2005.11401
-
Edge, D. et al. (2024). From Local to Global: A Graph RAG Approach to Query-Focused Summarization. arXiv:2404.16130. https://arxiv.org/abs/2404.16130
-
Pinecone (2025). Pinecone Documentation – Vector Database. https://docs.pinecone.io/
-
Weaviate (2025). Weaviate Documentation. https://docs.weaviate.io/weaviate
-
Qdrant (2025). Qdrant Documentation. https://qdrant.tech/documentation/
-
Muennighoff, N. et al. (2023). MTEB: Massive Text Embedding Benchmark. arXiv:2210.07316. https://arxiv.org/abs/2210.07316
-
Pinecone, Weaviate, Qdrant (2026). Offizielle Preisseiten. Referenz für die Kostentabelle im Abschnitt Vector Databases. https://www.pinecone.io/pricing/ · https://weaviate.io/pricing · https://qdrant.tech/pricing/
Weiterführende Links
RAG-Frameworks
- LlamaIndex Documentation: Umfassendes Framework für RAG-Pipelines und Datenanbindung. https://developers.llamaindex.ai/python/framework/
- LangChain – RAG Tutorial: Schritt-für-Schritt-Anleitung zum Aufbau von RAG-Systemen. https://docs.langchain.com/oss/python/deepagents/rag
Vektordatenbanken & Embeddings
- Hugging Face – MTEB Leaderboard: Aktuelle Rangliste der Embedding-Modelle. https://huggingface.co/spaces/mteb/leaderboard
- Microsoft – GraphRAG (GitHub): Referenzimplementierung von Graph-basiertem RAG. https://github.com/microsoft/graphrag
Vertiefung
- Anthropic – Contextual Retrieval: Techniken zur Verbesserung der Chunk-Qualität durch kontextuelle Anreicherung. https://www.anthropic.com/news/contextual-retrieval