Begriff

agent readableMarkdown

RAG — Glossar

Direkte Antwort

RAG: RAG ist ein Aufbau, bei dem ein KI-System nicht aus dem Gedächtnis antwortet, sondern zuerst passende Textstellen sucht und sie dem Sprachmodell als Grundlage mitgibt. Antwortmaschinen im Web arbeiten so. Für dich heißt das: Deine Seiten werden in Abschnitte zerlegt und bewertet — nur klare, eigenständige und aktuelle Abschnitte werden verwendet.

Wichtigste Punkte

  • Erst abrufen, dann formulieren: Die Antwort stützt sich auf gefundene Passagen (Grounding).
  • Schlechte Abschnitte führen zu schlechten Antworten, egal wie gut das Modell ist.
  • Fertiges HTML, eine Aussage pro Block und Direct Answers verbessern die Auffindbarkeit.
  • Ein Themenkatalog mit klaren Entities hilft dem Abruf, Zusammenhänge zu erkennen.

— Steve Baka

Aktualisiert: · Autor: Steve Baka

Was ist RAG?

Retrieval-Augmented Generation wurde 2020 von Lewis und Kollegen beschrieben. Die Grundidee: Ein Sprachmodell kennt nur, was in seinem Training steckte, und es halluziniert, wenn es etwas nicht weiß. RAG verbindet es daher mit einem Suchmodul. Auf eine Frage hin findet der Retriever relevante Dokumente oder Passagen, der Generator schreibt die Antwort auf dieser Basis. Dadurch lassen sich aktuelle Informationen und Fachwissen einbinden, ohne das Modell neu zu trainieren, und Quellen können angegeben werden.

In der Praxis begegnet dir das Muster an zwei Stellen. Öffentliche Antwortmaschinen wie Perplexity oder die KI-Funktionen von Suchmaschinen rufen live Webseiten ab. Unternehmensinterne Assistenten durchsuchen eigene Dokumente, etwa Handbücher oder Wissensdatenbanken. Das Prinzip ist gleich, die Datenquelle verschieden.

Wie funktioniert der Ablauf?

  1. Zerlegen: Dokumente werden in Abschnitte („Chunks“) geteilt, oft nach Überschriften oder Absatzlänge.
  2. Indexieren: Jeder Abschnitt wird als Vektor (Bedeutungsrepräsentation) und oft zusätzlich als Text indexiert.
  3. Abrufen: Zur Frage werden die ähnlichsten Abschnitte gesucht, meist die besten drei bis zehn.
  4. Anreichern: Die Abschnitte werden mit der Frage in den Prompt des Modells gelegt.
  5. Antworten: Das Modell formuliert eine Antwort, oft mit Quellenverweisen.

Der Engpass liegt fast immer in Schritt 1 und 3. Ein Chunk, der drei Themen mischt, den Namen des Betriebs nur im Kopf der Seite nennt oder sich auf „oben genannte Leistungen“ bezieht, wird schlecht gefunden und lässt sich nicht eigenständig zitieren.

Was kannst du auf deiner Webseite steuern?

Das Modell kontrollierst du nicht, den Input schon:

  • Eine Aussage pro Abschnitt: Kurze Absätze unter klaren Überschriften, die auch ohne den Rest der Seite verständlich sind.
  • Namen ausschreiben: „Die Kanzlei Mustermann in Bruchsal“ statt „wir“ oder „die Kanzlei“.
  • Direct Answer zuerst: Die Kernantwort steht am Anfang, danach Details. Siehe Direct Answer.
  • Fertiges HTML: Text darf nicht erst per Skript erscheinen; SSR und SSG helfen.
  • Strukturierte Daten: Strukturierte Daten machen Fakten eindeutig.
  • Aktualität: Preise, Zeiten und Leistungen müssen überall übereinstimmen.
  • Maschinenfassung: Markdown-Negotiation liefert Agenten die Seite ohne Layout-Ballast.

RAG bei Modern Stack und häufige Fehlannahmen

Modern Stack modernisiert Legacy-CMS auch deshalb, weil Pagebuilder-HTML schlecht zerlegbar ist. Auf Next.js liegt jeder Abschnitt als sauberes Markup vor, und der optionale Themenkatalog gibt Retrievern klare Entity-Seiten zum Einstieg. Fehlannahmen sind: „Mehr Text hilft mehr“ — oft stimmt das Gegenteil. „llms.txt löst es“ — sie zeigt nur den Weg. Und „Nach RAG ist SEO tot“ — Abruf nutzt weiterhin Suchindizes, Crawler und Qualitätssignale. Einordnung: GEO & AI-Sichtbarkeit und Webarchitektur im KI-Zeitalter.

Verwandte Themen

Quellen

Häufige Fragen

Brauche ich ein eigenes RAG-System?

Für die meisten KMU nicht. Eine gut gebaute öffentliche Webseite genügt, damit fremde Systeme dich finden und zitieren. Ein eigener Assistent über deine Dokumente ist ein Zusatz für interne oder Support-Zwecke.

Hilft llms.txt bei RAG?

Als Karte mit priorisierten Links ja, besonders für Agenten, die gezielt lesen. Sie ersetzt aber nicht die Qualität der verlinkten Seiten — ein Retriever braucht gute Abschnitte, keine Inhaltsangabe.

Verhindert RAG Falschaussagen?

Es senkt das Risiko, beseitigt es aber nicht. Das Modell kann Quellen falsch lesen oder Widersprüche glätten. Deshalb zählen eindeutige, widerspruchsfreie Fakten auf deiner Seite.

Weiterlesen

  • GEO

    GEO (Generative Engine Optimization) ist die Optimierung von Inhalten dafür, in den Antworten generativer KI-Systeme genannt und zitiert zu werden — nicht nur in den zehn blauen Links. Extrahierbare Fakten, klare Entities und saubere Technik zählen mehr als Keyword-Dichte.

  • Grounding

    Grounding bedeutet, dass ein KI-Modell seine Antwort auf abgerufene, überprüfbare Quellen stützt statt nur auf sein Trainingswissen. Das senkt Halluzinationen und ist der Mechanismus, über den Webseiten als Quellen in KI-Antworten auftauchen.

  • Extrahierbarkeit

    Extrahierbarkeit beschreibt, wie zuverlässig sich Fakten aus einer Webseite herauslösen lassen — durch Menschen, Crawler und KI-Modelle. Sauberes HTML, klare Überschriften und eigenständige Antwortabschnitte erhöhen sie; Layout-Ballast und JavaScript-Hüllen senken sie.

  • Crawlability

    Crawlability beschreibt, ob Suchmaschinen-Crawler und KI-Assistenten deine Inhalte erreichen und lesen dürfen und können. Gesperrte Bots, fehlerhafte Statuscodes, Soft-404 und leere JavaScript-Hüllen verhindern sie.

  • GEO & AI-Sichtbarkeit

    Warum moderne Webseiten für Google und KI-Systeme strukturiert sein müssen — und wie Modern Stack die technische Grundlage für GEO, AIO und Zitation in generativen Antworten schafft.

  • Zitation

    Zitation bedeutet in der KI-Suche: Ein System wie ChatGPT, Perplexity oder Google AI Overviews nennt deine Marke, URL oder Aussage als Quelle in einer generierten Antwort. Dafür brauchst du überprüfbare Fakten, klare Struktur und Seiten, die Maschinen sauber lesen können.

  • SurrealDB

    SurrealDB ist eine in Rust geschriebene Multi-Model-Datenbank, die Dokumente, Graph-Beziehungen, Vektorsuche und Volltext in einer Engine mit der Abfragesprache SurrealQL vereint — Grundlage für hybride Suche und den Themenkatalog hinter Modern Stack.

  • Core Web Vitals

    Core Web Vitals sind Googles drei Nutzererlebnis-Kennzahlen: LCP (Ladezeit des größten Elements), INP (Reaktionszeit auf Eingaben) und CLS (visuelle Stabilität). Sie fließen in die Suche ein und zeigen Timeout- und Abbruchrisiken auch für KI-Crawler.

  • QI-GEO

    QI-GEO (Query-Implied GEO) optimiert Texte für generative Suche, ohne Nutzerfragen zu raten: Es leitet aus den Entitäten und Relationen des Dokuments ab, welche Informationslücken Antworten brauchen, und schließt sie.

  • Webarchitektur im KI-Zeitalter — vom CMS-Monolithen zum reaktiven Full-Stack

    Warum WordPress, Wix, Jimdo und Squarespace an Streaming, RAG und agentischen Workflows scheitern — und wie Next.js, Convex, SurrealDB, Resend und Vercel ein KI-taugliches Ökosystem bilden.

  • Convex

    Convex ist ein reaktives Backend-as-a-Service: Datenbank, serverseitige TypeScript-Funktionen und Echtzeit-Updates in einem System. Modern Stack nutzt es für Anfragen, CRM und Admin hinter der Webseite — sichtbar für Besucher ist nur das Ergebnis, nicht der Anbieter.

  • Markdown-Negotiation

    Bei Markdown-Negotiation liefert ein Server unter derselben URL HTML oder Markdown, je nachdem, was der Client im Accept-Header anfordert. KI-Agenten erhalten so reinen Text mit Struktur, Menschen weiterhin die normale Seite.

  • WordPress im KI-Zeitalter — 10 Gründe, warum der Monolith nicht mehr zeitgemäß ist

    WordPress und Baukästen wurden für Dokumente gebaut — nicht für Token-Streaming, Agenten, RAG und Generative UI. Zehn strukturelle Gründe und der Wechsel zu Next.js, Convex, SurrealDB und dem Vercel AI SDK.

  • QI-GEO — Query-Implied Generative Engine Optimization

    Technischer Leitfaden zu Query-Implied GEO: Intent aus der Dokumentstruktur ableiten, Wissenslücken schließen und Zitationsdichte in generativen Suchmaschinen maximieren — ohne explizite Ziel-Queries.

  • AI-Readiness deutscher Dienstleister-Webseiten — Studie, Zahlen und Handlungsbedarf

    Empirische Auswertung von 6.675 Live-Audits: Agent-Ready-Scores, llms.txt, Markdown-Negotiation und Crawl-Signale bei Physiotherapie, Steuerberatung, Coaching, Psychologie, Fotografie und weiteren Dienstleistern in Deutschland — mit Interpretation für GEO, AIO und Webseite-Modernisierung.

← Glossar·Themen