Abruf-gestützte Generierung (RAG)

The original RAG architecture combined ein Sprache model mit Informationen retrieved aus ein external index during generation. Evidence for this claim The original RAG paper combined a pretrained sequence-to-sequence model with a non-parametric dense-vector index retrieved during generation. Scope: Lewis et al.'s 2020 RAG architecture and experiments, not every modern retrieval system. Confidence: high · Verified: 2026-07-14 Lewis et al.: Retrieval-Augmented Generation Modern Plattform documentation uses the gleich broad retrieve-then-generieren idea. Evidence for this claim Google Cloud describes RAG as retrieving relevant information from external knowledge sources and providing it to a model to improve generated responses. Scope: General RAG architecture in Google Cloud documentation; quality depends on retrieval, source quality, and generation. Confidence: high · Verified: 2026-07-14 Google Cloud: RAG overview

TL;DR — RAG (Retrieval-Augmented Generation) ist wie AI search Engines look things up vor they Antwort. statt replying purely aus memory, the System erste retrieves relevant passages aus ein Suche index, then generates ein Antwort auf Grundlage von war es gefunden. das ist warum Google AI Overviews, ChatGPT Suche, und Perplexity kann cite fresh Web Seiten — und warum being in the index still matters.

war RAG ist

ein large Sprache model (ein LLM, the thing behind ChatGPT und similar Tools) learns aus ein huge pile von text during training. aber that training hat ein cutoff date, und the model kann nicht possibly memorize everything — so auf its own es either tut nicht know recent oder niche facts, oder es macht something up that sounds right.

RAG fixes that durch letting the model look things up. wenn Sie fragen ein question, ein RAG System tut two things in order:

1. Retrieval — es searches ein index (like Google’s oder Bing’s) und pulls back the passages meisten relevant zu Ihre question.
2. Augmented generation — es hands diese passages zu the LLM, welche writes ein Antwort auf Grundlage von them und usually zeigt Links zu the Quellen.

The simplest Weg zu picture es: statt answering aus memory alone, the AI tut its homework erste.

ein quick Beispiel

fragen ein AI search Engine “war changed in the latest iPhone?” The model wasn’t trained auf ein Produkt that launched last week. mit RAG, es searches the Web, retrieves ein few recent articles, und writes its Antwort aus diese — mit citations Sie kann klicken. ohne RAG, es would either say es tut nicht know oder guess.

warum es matters zu Sie

hier’s the part that surprises Menschen: RAG tut nicht verwenden ein separate “AI index.” Google AI Overviews retrieve aus Google’s normal Suche index. ChatGPT Suche launched auf Bing’s index und auch läuft its own crawler (OAI-SearchBot) — OpenAI hasn’t said exactly wie the two sind mixed today. Either Weg, the gleich basics that haben immer mattered — being crawlable, getting indexed, writing clearly — sind exactly war decides whether Ihre Inhalt kann sein retrieved und cited in ein AI Antwort.

The other thing zu know: RAG reduces wrong answers (hallucinations) aber tut nicht eliminate them. The AI kann still misread war es retrieved. So being the clearest, meisten direct Quelle auf ein topic genuinely hilft.

wollen the real mechanics — embeddings, chunking, re-Ranking, naive vs. agentic RAG, und the SEO playbook? Switch zu the Fortgeschritten tab.

Lewis und colleagues’ 2020 System paired sequence generation mit dense retrieval aus ein non-parametric index. Evidence for this claim The original RAG paper combined a pretrained sequence-to-sequence model with a non-parametric dense-vector index retrieved during generation. Scope: Lewis et al.'s 2020 RAG architecture and experiments, not every modern retrieval system. Confidence: high · Verified: 2026-07-14 Lewis et al.: Retrieval-Augmented Generation Google Cloud’s current overview defines RAG mehr broadly als supplying retrieved external knowledge zu ein model. Evidence for this claim Google Cloud describes RAG as retrieving relevant information from external knowledge sources and providing it to a model to improve generated responses. Scope: General RAG architecture in Google Cloud documentation; quality depends on retrieval, source quality, and generation. Confidence: high · Verified: 2026-07-14 Google Cloud: RAG overview

TL;DR — RAG ist ein two-phase, inference-time pattern: retrieval (finden relevant passages in ein external corpus) then augmented generation (feed diese passages zu ein LLM zu produce ein grounded, cited Antwort). The weights never ändern — es combines the model’s parametric memory mit non-parametric memory retrieved live. The retrieval phase chains chunking → embeddings → vector search → re-Ranking → top-k. “Naive” RAG ist retrieve-then-generieren; advanced RAG adds Anfrage rewriting und re-Ranking; agentic RAG adds iterative, multi-hop retrieval. Retrieval kann ground answers aber tut nicht guarantee correctness; in one Gemma evaluation, insufficient Kontext coincided mit mehr incorrect answers. für SEO: es gibt kein separate AI index; crawlability, indexing, und passage-level clarity sind the prerequisites für being retrieved.

The two phases (und warum “inference time” ist the whole point)

Break the acronym apart und Sie haben the model: Retrieval plus Augmented Generation. ein Anfrage comes in; the System retrieves the meisten relevant passages aus ein external corpus; es injects diese passages into the LLM’s Kontext window; the LLM generates ein Antwort grounded in them.

The detail that everyone erhält wrong: dies happens bei inference time, und the model’s weights sind never touched. RAG ist nicht training und es ist nicht fine-tuning. The original 2020 paper aus Patrick Lewis und colleagues bei Facebook AI Recherche framed es als combining two kinds von memory — parametric memory (knowledge baked into the weights during training) und non-parametric memory (knowledge retrieved live aus ein index). RAG uses both bei once. AWS puts the practical case plainly: retraining ein foundation model für fresh oder domain-specific knowledge ist expensive, und “RAG ist ein mehr cost-effective approach zu introducing neu Daten zu the LLM.”

(The naming, für war es ist worth, war ein accident. Lewis later admitted: “wir definitely would haben put mehr thought into the name hatte wir known unser arbeiten would werden so widespread… wir immer planned zu haben ein nicer sounding name, aber wenn es came time zu schreiben the paper, kein one hatte ein better idea.”)

Innerhalb der Retrieval-Phase

“Retrieve the relevant passages” ist doing ein lot von arbeiten in that sentence. in ein real System es ist ein pipeline:

1. Chunking. Documents erhalten split into retrievable pieces. Chunk size ist ein real tradeoff — too small und ein passage loses its Kontext; too large und es floods the token budget mit irrelevance. Strategies range aus fixed token counts (100/256/512) zu recursive/sliding windows zu “Small2Big” (retrieve ein small sentence, zurückgeben its parent chunk für generation).
2. Embeddings. jede chunk ist turned into ein dense vector — ein numeric representation von its meaning — so similarity ist computed semantically, nicht durch Keyword match. dies ist warum Inhalt über ein topic erhält retrieved even wenn es tut nicht verwenden the exact Anfrage phrasing.
3. Vector search. The Anfrage ist embedded too, und the System findet the chunks whose vectors sit closest zu es. meisten production stacks ausführen hybrid search — dense vector retrieval plus BM25 Keyword Suche — weil jede catches recall the other misses.
4. Re-Ranking. ein separate model re-scores the candidates durch relevance zu the Anfrage und reorders them, “effectively reducing the overall Dokument pool.” nur the top survivors machen es into the Kontext.
5. Top-k into the prompt. The beste passages sind concatenated mit the user’s Anfrage und handed zu the generator.

Chunking ist the fragile Link. Anthropic identified that “traditional RAG solutions entfernen Kontext wenn encoding Informationen” — ein chunk pulled out von its Dokument loses the surrounding Kontext that made es meaningful. Their Contextual Retrieval technique (prepending chunk-specific Kontext vor indexing) reduced failed retrievals durch 49%, und durch 67% combined mit re-Ranking. das ist ein strong signal that the chunking problem ist real — und that self-contained, Kontext-rich passages sind easier zu retrieve correctly.

Naive, advanced, und agentic RAG

The survey literature (Gao et al., 2023) splits RAG into ein nützlich taxonomy:

• Naive RAG — “ein traditional process that enthält indexing, retrieval, und generation.” Retrieve top-k once, generieren once. es “struggles mit precision und recall, leading zu the selection von misaligned oder irrelevant chunks.”
• Advanced RAG — adds “pre-retrieval und post-retrieval strategies.” Pre-retrieval: Anfrage rewriting und better indexing (einschließlich HyDE, wo the model generates ein hypothetical Antwort, embeds that, und retrieves documents that look like answers anstatt questions). Post-retrieval: re-Ranking und Kontext compression.
• Modular / agentic RAG — the model retrieves, reasons über war ist still missing, und retrieves again, iterating across multiple hops. dies ist the current state von AI search. als Michael King put es: “The retrieve-once-then- generieren pattern that defined the erste wave ist obsolete… Agentic RAG ist now the Standard.”

dies matters für SEO weil Inhalt now hat zu survive multiple retrieval rounds und contradiction-checking — nicht just ein single retrieval pass.

tut RAG eliminate hallucinations? kein.

RAG kann ground answers in retrieved Quellen, aber the LLM kann still misread oder over-interpret war es pulled. Google Recherche (ICLR 2025) dokumentiert ein counterintuitive Ergebnis in one evaluation: Gemma produced incorrect answers auf 10,2% von questions mit kein Kontext und 66,1% mit insufficient Kontext. The researchers Bericht that models kann “excel mit sufficient Kontext aber fail zu recognize wenn Kontext ist insufficient.” Treat that als ein model- und evaluation-specific warning, nicht proof that retrieval universally causes worse answers. The practical lesson ist narrower: retrieval quality und Kontext sufficiency benötigen zu sein evaluated anstatt assumed. Google operationalized the finding als ein LLM re-ranker in its Vertex AI RAG Engine.

RAG vs. Fine-Tuning

These erhalten conflated constantly, und sie sind fundamentally different:

• RAG retrieves external Informationen bei Anfrage time. Weights unchanged. beste für fresh/changing Informationen, citation requirements, und cost. The survey gefunden “RAG consistently outperforms [unsupervised fine-tuning], für both existing knowledge encountered during training und entirely neu knowledge.”
• Fine-tuning modifies the model’s weights in ein separate training ausführen. beste für changing style und behavior, oder teaching stable domain knowledge that tut nicht ändern.

Sie’d reach für RAG zu machen ein model know the latest facts; Sie’d reach für fine-tuning zu ändern wie es talks.

RAG in der Praxis: Google, ChatGPT, Perplexity

• Google AI Overviews. Google calls RAG “ein technique (auch known als grounding)… relying auf unser core Suche Ranking Systeme zu retrieve relevant, up-zu-date Web Seiten aus unser Suche index.” Two things folgen. erste, dort ist kein separate AI index — “unser generative AI features auf Google Suche sind rooted in unser core Suche Ranking und quality Systeme.” Second, Google läuft query fan-out: “concurrent, related Anfragen generiert durch the model zu Anfrage mehr Informationen.” ein single question kann spawn multiple sub-Anfragen, jede retrieving different Inhalt — so Ihre Inhalt hat zu satisfy the implied sub-questions, nicht just the head Anfrage.
• ChatGPT Suche. Launched (October 2024) mit Bing als its Daten partner, und OpenAI’s own crawler documentation confirms OAI-SearchBot tut independent fetching und indexing für Suche citations, separate aus GPTBot’s training-crawlen. OpenAI hasn’t published the current retrieval mix zwischen Bing und its own index, und OpenAI hat since positioned ChatGPT Suche als ein standalone competitor zu Bing anstatt ein wrapper rund es — so treat “es ist basically Bing” als ein simplification. The dokumentiert, actionable lever ist narrower und mehr durable: don’t block OAI-SearchBot in robots.txt, weil das ist the crawler OpenAI itself names als the one that indexes Inhalt für Suche citations.
• Perplexity. erstellt auf hybrid retrieval (Vespa.ai — BM25 + dense) mit custom embedding models und ein strict re-Ranking threshold: durch Drittanbieter- analysis, nur the top ~30% von 60-plus retrieved Quellen survive zu the generation stage, und “citations sind nicht retrofitted post-generation — they sind structurally assigned during Kontext assembly.” Deep Recherche läuft the agentic loop across dozens von searches.

war RAG bedeutet für SEO

Strip away the jargon und the playbook ist concrete:

• Being in the index ist the prerequisite — full stop. kein separate AI index bedeutet the crawlen → index → retrieve chain hat zu sein intact. wenn ein Seite kann nicht sein crawled und indexed, es kann nicht sein retrieved into ein AI Antwort. The gleich ist true für the AI Engines that erstellen their own pools: AI crawlers like OAI-SearchBot und PerplexityBot haben zu sein allowed zu fetch Sie, oder Sie sind invisible zu diese answers.
• schreiben self-contained passages. RAG retrieves fragments, nicht whole Seiten. als iPullRank’s Francine Monahan put es, AI Systeme examine “fragments von Seiten rather than the Seite als ein whole” — so craft “stand-out passages und phrases” that Antwort ein specific question auf their own. dies ist exactly the H2/H3 structure und klar topic sentences good SEO already rewards. Google explicitly says nicht zu chop Ihre Inhalt into tiny pieces für AI — well-structured Inhalt chunks well auf its own.
• abdecken the sub-topics. Query fan-out bedeutet one question kann trigger viele retrievals. Depth across related sub-questions beats one Seite stuffed rund ein single Keyword.
• Authority drives citation mehr als ranken position. aus ein 8 000-citation analysis: “Strong organic Suche presence und broad Web visibility leads zu AI citations, nicht the other Weg rund” — und “highly authoritative Inhalt aus ein lower-Ranking Seite” sometimes erhält cited over ein weniger credible top-Ranking one. My own Daten lines up (aus my AI Overview citation research): mentions auf heavily-linked Seiten sind the strongest predictor von AI Overview inclusion (ρ ≈ 0,70), und branded Web mentions correlated ~0,66 across 75 000 brands.
• Fresh Inhalt hat ein edge. AI citations skew meaningfully fresher than organic Ergebnisse, so currency matters.

wenn Sie wollen the one-sentence version: RAG didn’t ersetzen SEO — es raised the stakes auf the parts von SEO that waren immer über being findable und being klar.

AI summary

ein condensed nehmen auf the Advanced version:

• RAG = Retrieval + Augmented Generation. Two phases bei inference time: retrieve relevant passages aus ein external corpus, then feed them zu ein LLM zu generieren ein grounded, cited Antwort. The model’s weights never ändern — es ist nicht training und nicht fine-tuning.
• es combines two memories: parametric (baked into weights) + non-parametric (retrieved live). das ist wie AI answers abdecken Informationen past the training cutoff.
• Retrieval ist ein pipeline: chunking → embeddings → vector search (häufig hybrid mit BM25) → re-Ranking → top-k passages into the prompt. Chunking ist the fragile Link; Kontext-rich passages retrieve better (Anthropic cut failed retrievals 49%).
• Three flavors: naive (retrieve-once), advanced (Anfrage rewriting, HyDE, re-Ranking), und agentic (iterative multi-hop) — agentic ist now the AI-Suche Standard.
• es reduces, nicht eliminates, hallucinations. mit insufficient Kontext, one model’s hallucination rate jumped 10,2% → 66,1% — bad retrieval kann beat kein retrieval.
• RAG vs. fine-tuning: RAG für fresh/changing facts + citations + cost; fine-tuning für style/behavior und stable knowledge.
• Engines: Google AI Overviews retrieve aus the core index (kein separate AI index) mit query fan-out; ChatGPT Suche launched auf Bing’s index und auch läuft its own crawler, OAI-SearchBot — the exact current mix ist nicht published, so don’t block OAI-SearchBot; Perplexity via hybrid retrieval mit ein strict re-Ranking threshold und citations assigned during Kontext assembly.
• SEO: being crawlable + indexed ist the prerequisite; schreiben self-contained passages; abdecken sub-topics (fan-out); authority/E-E-A-T drives citation mehr als ranken position; fresh Inhalt hat ein edge.

Offizielle Dokumentation

Primary-Quelle documentation und definitions aus the providers.

Google

• Google’s Guide to Optimizing for Generative AI Features — defines RAG als grounding over the core Suche index; deckt ab query fan-out.
• AI Overviews and AI Mode in Search — confirms kein additional requirements beyond standard indexing und snippet eligibility.
• RAG and grounding on Vertex AI — Google Cloud’s retrieve-then-generieren definition (Burak Gokturk).
• Deeper insights into RAG: the role of sufficient context — Google Recherche (ICLR 2025) auf the insufficient-Kontext failure mode.

Microsoft / Azure

• RAG and generative AI — Azure AI Search — RAG defined als grounding in proprietary Inhalt; Anfrage understanding, token constraints, und the move zu agentic retrieval.

OpenAI

• Overview of OpenAI Crawlers — confirms OAI-SearchBot tut independent fetching/indexing für ChatGPT Suche citations, separate aus GPTBot’s training crawlen; tut nicht disclose the current mix mit Bing’s index.

Anthropic

• Introducing Contextual Retrieval — the chunk-Kontext-loss problem und ein measured fix (49% / 67% fewer failed retrievals).

AWS

• What is Retrieval-Augmented Generation? — clean three-stage explainer und the RAG-vs-retraining cost argument.

Foundational papers

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — Lewis et al., NeurIPS 2020 (the original RAG paper; parametric vs. non-parametric memory).
• Retrieval-Augmented Generation for LLMs: A Survey — Gao et al. (the naive / advanced / modular taxonomy, HyDE, re-Ranking).

Quotes aus the Quelle

auf-the-record statements aus the providers und the original researchers. Deep Links jump zu the quoted passage wo verfügbar.

Google — RAG ist grounding, over the core index

• “ein technique (auch known als grounding) verwendet zu verbessern the quality, accuracy, und freshness von AI responses durch relying auf unser core Suche Ranking Systeme zu retrieve relevant, up-zu-date Web Seiten aus unser Suche index.” — Google Suche Central, AI optimization Leitfaden. Jump to quote
• “unser generative AI features auf Google Suche sind rooted in unser core Suche Ranking und quality Systeme.” — Google Suche Central, AI optimization Leitfaden.

Google Cloud — the retrieve-then-generieren definition

• “Retrieval Augmented Generation (RAG), ein technique developed zu mitigate these challenges, erste ‘retrieves’ facts über ein question, then provides diese facts zu the model vor es ‘generates’ ein Antwort – dies ist war wir bedeuten durch grounding.” — Burak Gokturk, VP & GM, Cloud AI, Google Cloud (June 27, 2024). Jump to quote

Das ursprüngliche RAG-Paper — parametrischer vs. nichtparametrischer Speicher

• “retrieval-augmented generation (RAG) — models welche combine pre-trained parametric und non-parametric memory für Sprache generation.” — Lewis et al., NeurIPS 2020.

Patrick Lewis, lead author — auf the name (via NVIDIA Blog, Rick Merritt)

• “wir definitely would haben put mehr thought into the name hatte wir known unser arbeiten would werden so widespread.”
• “wir immer planned zu haben ein nicer sounding name, aber wenn es came time zu schreiben the paper, kein one hatte ein better idea.” Read the coverage

Microsoft — RAG als grounding in Ihre Inhalt

• “Retrieval-augmented generation (RAG) ist ein pattern that extends LLM capabilities durch grounding responses in Ihre proprietary Inhalt.” — Microsoft, Azure AI Search documentation.

Anthropic — das Chunking-Problem

• “traditional RAG solutions entfernen Kontext wenn encoding Informationen.” — Anthropic, Contextual Retrieval (Sept 19, 2024). Read the post

AWS — RAG vs. erneutes Training

• “Retrieval-Augmented Generation (RAG) ist the process von optimizing the output von ein large Sprache model, so es references ein authoritative knowledge base outside von its training Daten Quellen vor generating ein response.” — AWS.
• “RAG ist ein mehr cost-effective approach zu introducing neu Daten zu the LLM.” — AWS.

OpenAI — its own crawler für ChatGPT Suche

• “OpenAI uses OAI-SearchBot und GPTBot robots.txt tags zu ermöglichen webmasters zu verwalten wie their Websites und Inhalt arbeiten mit AI… ein webmaster kann erlauben OAI-SearchBot in order zu erscheinen in Suchergebnisse während disallowing GPTBot zu indicate that crawled Inhalt sollte nicht sein verwendet für training.” — OpenAI, Overview von OpenAI Crawlers. Read the docs

Michael King, iPullRank — the agentic shift (Suchmaschine Land)

• “The retrieve-once-then-generieren pattern that defined the erste wave ist obsolete… Agentic RAG ist now the Standard.” Read the coverage

RAG cheat sheet

The pipeline, end zu end

Anfrage → [retrieval: chunk · embed · vector search (+BM25) · re-ranken · top-k] → augment (passages into Kontext) → generieren (LLM writes grounded, cited Antwort)

RAG vs. Fine-Tuning

Die drei RAG-Generationen

Engine retrieval pools bei ein glance

Fast facts

• RAG = Retrieval + einugmented Generation; coined in Lewis et al., 2020.
• es ist inference-time — weights never ändern.
• Hallucination ist nicht solved: insufficient Kontext took one model aus 10,2% → 66,1%.
• Kontext-aware chunking cut failed retrievals durch 49% (67% mit re-Ranking).
• Don’t pre-”chunk” Ihre Inhalt für AI — klar H2/H3 structure chunks well auf its own.

Die mentalen Modelle

1. Retrieve → Augment → generieren. Every RAG System ist these three moves. wenn ein AI Antwort ist wrong, locate welche stage failed: tat es retrieve the right passages, tat es pass genug Kontext, oder tat the model misgenerate aus good Quellen? meisten AI-visibility problems sind retrieval problems, nicht generation problems.

2. Parametric vs. non-parametric memory. The model hat parametric knowledge (frozen in its weights, capped bei its training cutoff) und non-parametric knowledge (retrieved live). Publishing Inhalt kann nicht touch the weights — aber es kann feed the live retrieval. das ist the entire Grund SEO still applies zu AI search.

3. RAG vs. fine-tuning ist ein knowledge-vs-behavior split. benötigen the model zu know neu oder changing facts? RAG. benötigen zu ändern wie es behaves oder writes? Fine-tuning. Don’t fine-tune zu hinzufügen facts that ändern weekly.

4. Retrieval quality ist the bottleneck — und es cuts both ways. Better retrieval beats ein bigger model. und insufficient retrieval kann sein worse than none. So the goal für Ihre Inhalt ist nicht just “erhalten retrieved” — es ist “erhalten retrieved als ein sufficient, self-contained passage” that lets the model Antwort definitively.

5. The crawlen → index → retrieve chain. es gibt kein separate AI index. wenn ein Seite fails bei crawlen oder index, es kann never reach retrieval — für Google’s RAG oder für AI Engines building their own pools. Fix the chain erste; optimize passages second.

testen yourself: Retrieval-augmented generation

Resources worth Ihre time

My related writing & Recherche

• What We Actually Know About Optimizing for LLM Search — Ahrefs’ schreiben-up Verwendung my Daten: mentions auf heavily-linked Seiten sind the strongest predictor von AI Overview inclusion (ρ ≈ 0,70).
• Generative Engine Optimization — the SEO response zu ein RAG-powered Suche landscape.
• GEO? AEO? LLMO? What’s With All This AI SEO Stuff? — my Ahrefs Evolve 2025 talk auf the AI search landscape und warum the indexing prerequisite hasn’t changed.

Die grundlegenden Papers

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — Lewis et al., 2020 (der Ursprung).
• RAG for LLMs: A Survey — Gao et al. (die Taxonomie naiv/fortgeschritten/modular).

aus others

• How AI Search Engines Work — Ryan Law (Ahrefs) auf RAG als the grounding mechanism.
• Google AI Overviews: All You Need to Know — Ong & Law (Ahrefs) auf RAG over the core index.
• What Is Retrieval-Augmented Generation? — NVIDIA (enthält the Lewis naming anecdote).
• How Retrieval-Augmented Generation is Redefining SEO — Francine Monahan, iPullRank (passage-level optimization).
• Beyond RAG: why every AI search platform is now agentic — Michael King, Suchmaschine Land.
• How Perplexity AI Answers Work — Ishtiaque Ahmed, ein technical breakdown von the retrieval/ranking/citation pipeline.
• How to get cited by AI: SEO insights from 8,000 AI citations — James Allen, Suchmaschine Land; authority und E-E-ein-T drive AI citations mehr als ranken position.
• How Perplexity uses Vespa.ai — Vespa.ai’s Erstanbieter- account von Perplexity’s hybrid BM25 + dense retrieval architecture.
• Retrieval-augmented generation — Wikipedia — nützlich reference overview; deckt ab RAG poisoning und the hallucination caveat.

Zitierwürdige Statistiken

• 10,2% → 66,1% hallucination jump — one model’s hallucination rate mit insufficient retrieved Kontext vs. kein Kontext bei alle; bad retrieval kann beat kein retrieval. Google Recherche, ICLR 2025. Source
• 49% fewer failed retrievals aus Kontext-aware chunking (Contextual Embeddings), rising zu 67% wenn combined mit re-Ranking. Anthropic, 2024. Source
• ρ ≈ 0,70 — mentions auf heavily-linked Seiten sind the strongest predictor von Google AI Overview inclusion in my Recherche; branded Web mentions correlated ~0,66 across 75 000 brands. Source
• ~30% survival rate — durch Drittanbieter- analysis, nur roughly the top 30% von 60+ retrieved Quellen klar Perplexity’s re-Ranking threshold into the generation stage. Source
• RAG > unsupervised fine-tuning für knowledge tasks — “für both existing knowledge encountered during training und entirely neu knowledge.” Source

Änderungsprotokoll