KI-Technik & Entwicklung

RAG weiterentwickeln: präziseres Retrieval und agentische Recherche

Viele RAG-Systeme liefern nach dem ersten Aufbau ungenaue oder unvollständige Antworten. Der Tag ist für Entwicklerinnen, Entwickler und Data Scientists gedacht, die eine bestehende Pipeline gezielt verbessern oder Recherche-Agenten über mehrere Wissensquellen aufbauen wollen. Sie messen Qualität mit RAGAS, setzen Verfahren wie Hybrid Search, Re-Ranking und GraphRAG ein und klären, was ein RAG-System für den dauerhaften Betrieb braucht.

Für wen

Entwicklerinnen, Entwickler und Data Scientists, die vorhandene RAG-Systeme verbessern oder agentische Recherchesysteme aufbauen wollen.

KI-Tagesseminar · 1 Tag

Retrieval messbar verbessern und Recherche-Agenten für mehrere Quellen bauen

Das nehmen Sie mit

  • Eine Diagnose, an welcher Stufe Ihre Pipeline Qualität verliert, gestützt auf RAGAS-Kennzahlen
  • Praktische Erfahrung mit Hybrid Search, Re-Ranking, Query-Expansion, GraphRAG und Metadaten-Filtern
  • Ein selbst gebauter Recherche-Agent, der Quellen plant, durchsucht und bewertet
  • Klarheit über Aktualisierung, Zugriffsrechte, Caching und Monitoring im Produktivbetrieb

Ablauf

  1. Teil 1

    Modul 1 – Bestandsaufnahme: Die klassische Pipeline und ihre Schwachstellen

    • Chunking, Embeddings und Vektorsuche: die Grundbausteine kurz aufgefrischt
    • Häufige Ursachen, weshalb RAG-Antworten ungenau, lückenhaft oder falsch ausfallen
    • Retrieval- und Antwortqualität getrennt messen, etwa mit RAGAS
    • Nüchterne Erwartung: Ein erster RAG-Aufbau überzeugt selten auf Anhieb
    • Diagnose Ihrer eigenen Pipeline: an welcher Stufe die Qualität verloren geht
  2. Teil 2

    Modul 2 – Advanced Retrieval: Suche gezielt verbessern

    • Hybrid Search kombiniert mit Re-Ranking, dazu Query-Expansion für unscharf gestellte Fragen
    • Strukturwissen einbringen: GraphRAG und Filter auf Metadaten
    • Übung: Sie optimieren eine RAG-Pipeline Stufe für Stufe und messen jede Änderung nach
    • Fortschritt an Kennzahlen belegen, statt Verbesserungen nach Eindruck zu beurteilen
  3. Teil 3

    Modul 3 – Agentic RAG: Recherche in mehreren Durchgängen

    • Vom einmaligen Abruf zu einer Recherche, die nachfasst und weitersucht
    • Agenten planen Suchanfragen, prüfen ihre Zwischenergebnisse kritisch und bewerten Quellen
    • Übung: Einen Recherche-Agenten programmieren, der mehrere Wissensquellen nacheinander abfragt
    • Abwägung, in welchen Fällen sich der zusätzliche Aufwand agentischer Recherche auszahlt
    • Quellenprüfung als Voraussetzung für verlässliche Antworten
  4. Teil 4

    Modul 4 – Produktion: RAG-Systeme dauerhaft betreiben

    • Strategien, um Wissensbasen bei neuen und geänderten Dokumenten aktuell zu halten
    • Zugriffsrechte und Mandantentrennung bereits beim Retrieval durchsetzen
    • Caching einsetzen und Kosten sowie Latenz von RAG-Systemen senken
    • Antwortqualität im laufenden Betrieb fortlaufend überwachen
    • Fahrplan, wie Ihr RAG-System belastbar in den Betrieb geht

VoraussetzungenSie programmieren in Python und verstehen die Grundlagen von LLMs. Eigene Erfahrung mit RAG ist von Vorteil.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen