Wie ein RAG-LLM eine Antwort erstellt
Anfrage, Dokumentenabruf, Auswahl, Synthese, Zitierung: die fünf konkreten Schritte, mit denen ein KI-Chatbot eine Antwort aus dem Web aufbaut.
Wenn Sie einem Chatbot wie ChatGPT oder Perplexity eine Frage stellen und dieser mit Quellenangaben antwortet, ist das kein simples Copy-Paste. Das System durchläuft eine Kette von Schritten: die Frage umformulieren, Dokumente abrufen, deren relevanteste Passagen auswählen, sie zu einer kohärenten Antwort zusammenfassen und dann die Quellen zitieren. Diese Kette zu verstehen zeigt genau, wo und wie sich Ihr Inhalt darin einfügen kann. Es lohnt sich, im Blick zu behalten, dass diese Kette nicht perfekt linear und nicht bei jedem Tool identisch ist: Manche Systeme verschmelzen mehrere dieser Schritte, andere fügen zusätzliche hinzu, aber die generelle Logik — suchen und dann synthetisieren — bleibt bei der überwiegenden Mehrheit der heutigen RAG-Architekturen gleich.
Schritt 1: Die Anfrage wird vor dem Absenden umformuliert
Ihre Frage, so wie Sie sie eingegeben haben, wird fast nie unverändert zur Informationssuche verwendet. Das System formuliert sie in der Regel zu einer oder mehreren präziseren Suchanfragen um, manchmal zerlegt es sie in mehrere eigenständige Teilfragen. Das ist der Mechanismus der Fan-out Queries, behandelt in der Lektion Fan-out Queries: das Schlüsselkonzept: Eine einzige vom Nutzer gestellte Frage kann mehrere parallele Suchen auslösen, von denen jede einen anderen Aspekt des Themas abdeckt. Die Anzahl der generierten Teilanfragen variiert je nach wahrgenommener Komplexität der Frage: Manchmal reichen zwei oder drei Umformulierungen, manchmal ist die Zerlegung deutlich umfangreicher. Diese Zahl ist nicht fest und hängt vom Tool und vom behandelten Thema ab.
Schritt 2: der Abruf relevanter Dokumente
Sobald die Anfragen formuliert sind, sucht das System nach Dokumenten, die sie beantworten könnten: Ergebnisse einer Websuchmaschine, Inhalte einer internen Datenbank, oder eine Kombination aus beidem, je nach Tool. Dieser Schritt liefert in der Regel eine breitere Kandidatenmenge, als letztlich verwendet wird — etwas wie eine erste Ergebnisliste vor der Filterung. In der Praxis stützt sich dieser Schritt oft auf eine Kombination aus Keyword-Suche und semantischer Ähnlichkeitssuche, wobei Letztere es ermöglicht, relevante Passagen auch dann zu finden, wenn sie nicht exakt dieselben Wörter wie die gestellte Frage verwenden.
Schritt 3: die Auswahl und Sortierung der Passagen (Reranking)
Unter den abgerufenen Dokumenten sind nicht alle gleichwertig. Ein Sortiermechanismus, oft Reranking genannt, bewertet die Relevanz jeder Passage im Verhältnis zur gestellten Frage und behält nur die als nützlichsten eingestuften Auszüge. Diese Filterung erfolgt in der Regel auf Passagenebene, nicht auf Ebene des gesamten Dokuments: Eine Seite kann inmitten eines ansonsten wenig hilfreichen Inhalts einen sehr relevanten Absatz enthalten, und nur dieser Absatz wird beibehalten. Dieser Mechanismus wird ausführlicher in der Lektion Wie das LLM Ergebnisse zusammenführt (Reranking) erklärt.
Schritt 4: die Synthese zu einer kohärenten Antwort
Das Sprachmodell erhält die ausgewählten Passagen als Kontext, zusätzlich zur ursprünglichen Frage, und verfasst eine Antwort, die sie zusammenfasst. Dabei werden nicht einfach Zitate aneinandergereiht: Das Modell formuliert um, fasst zusammen, vergleicht mitunter mehrere sich widersprechende Quellen und erzeugt einen kohärenten Text in natürlicher Sprache. In diesem Schritt zählt die Schreibqualität des Quellinhalts: Eine klare, in sich geschlossene Passage lässt sich leichter korrekt einbinden als ein mehrdeutiger, vom umgebenden Kontext abhängiger Absatz. Widersprechen sich mehrere ausgewählte Quellen — etwa bei einem Preis oder einem technischen Merkmal —, muss das Modell auch entscheiden: Es kann beide Versionen präsentieren, die als aktueller oder zuverlässiger eingeschätzte Quelle bevorzugen, oder manchmal vage bleiben, statt sich festzulegen. Das ist einer der Gründe, warum Aktualität und Konsistenz eines Inhalts ebenso zählen wie seine bloße Online-Präsenz.
Schritt 5: die Zitierung, wenn sie vorhanden ist
Je nach Tool kann die endgültige Antwort eine explizite Quellenangabe enthalten oder nicht: einen Link, einen Domainnamen, eine Fußnote. Dieser Schritt ist weder systematisch noch von Tool zu Tool einheitlich, und er hängt auch von der Art der Frage ab. Eines bleibt bei den meisten Architekturen wahr: Um zitiert zu werden, muss man zuerst die Schritte 2 und 3 überstanden haben — das heißt, abgerufen und dann als ausreichend relevant eingestuft worden sein. Es ist daher nicht ungewöhnlich, dass ein Inhalt die Formulierung einer Antwort beeinflusst, ohne je namentlich zitiert zu werden, was die Messung seiner tatsächlichen Wirkung komplexer macht als ein simples Zählen zitierter Links.
Was diese Schrittkette für Ihren Inhalt bedeutet
Jeder Schritt dieser Kette ist ein Filter. Ihr Inhalt muss zunächst zugänglich und indexierbar sein, um Schritt 2 zu überstehen. Dann braucht er ausreichend eigenständige, klare Passagen, um Schritt 3 zu überstehen. Schließlich muss er so geschrieben sein, dass eine automatische Synthese ihn in Schritt 4 originalgetreu wiedergibt. Genau diese Summe an Anforderungen definiert das, was als "GEO-ready"-Inhalt bezeichnet wird — ein Konzept, das in der Lektion Was macht Inhalt "GEO-ready"? entwickelt wird. Ein konkretes Beispiel fasst den Kern gut zusammen: Zwei Artikel können exakt dasselbe Thema mit demselben Grad an Genauigkeit behandeln, und dennoch wird einer dreimal häufiger zitiert als der andere, einfach weil seine Struktur jeden dieser Schritte erleichtert, während die des anderen sie erschwert.
Diese Kette im Kopf zu behalten verändert die Art zu schreiben: Statt für einen einzigen Rankingalgorithmus zu optimieren, geht es darum, Inhalt zu produzieren, der bei jedem Schritt, den eine KI ihn durchlaufen lässt, bevor sie jemand anderem als Ihnen antwortet, nützlich und verständlich bleibt.