← Alle Themen

Artikel: Embeddings

6 Artikel zu diesem Thema.

Reranker im RAG: Reranking und Cross-Encoder erklärtKonzepte

Reranker im RAG: Reranking und Cross-Encoder erklärt

Ein Reranker ordnet die von einem RAG gefundenen Passagen neu, bevor sie ans LLM gehen. Cross-Encoder, Bi-Encoder, RRF, Kosten, Latenz: wann er sich lohnt.

Wie viele Dokumente schafft ein RAG? Agentic RAG skaliertKonzepte

Wie viele Dokumente schafft ein RAG? Agentic RAG skaliert

Ein selbst gebautes RAG stößt bei einigen Tausend Dokumenten pro Agent an Grenzen, bei ähnlichen früher. Agentic RAG filtert zuerst und schafft über 100.000.

Reranker Jev im RAG: unser Einsatz in der ProduktionLeitfaden

Reranker Jev im RAG: unser Einsatz in der Produktion

Jev als Reranker im RAG: unser Produktionseinsatz des KI-Modells von TypeSafe, vergebene Scores, behaltene Chunks, Antwortzeit und Kosten pro 1.000 Suchen.

Hybrid Search: 6 Wege, eine Information zu findenKonzepte

Hybrid Search: 6 Wege, eine Information zu finden

Hybrid Search erklärt: semantische Suche, Keywords, Fachtools, Datenbankabfrage, Katalog und Sonderverarbeitung. Die sechs Wege, die ein KI-Agent kombiniert.

Embedding-Modell: Was uns eine gescheiterte Demo lehrteKonzepte

Embedding-Modell: Was uns eine gescheiterte Demo lehrte

Langsame Embedding-APIs, Abhängigkeit vom Anbieter: unsere Erfahrung aus der Produktion und warum ATG das Embedding-Modell Qwen3 Embedding 8B parallel aufruft.

4 min
RAG in der KI: ein LLM mit Unternehmensdokumenten verbindenTutorial

RAG in der KI: ein LLM mit Unternehmensdokumenten verbinden

Was ist RAG in der KI? Retrieval Augmented Generation erklärt: Funktionsweise, Wahl des LLM, hybride Suche, Agentic RAG und Erfahrungen aus der Produktion.