Was ist Retrieval Augmented Generation (RAG)?

Retrieval Augmented Generation (RAG) ist eine KI-Architektur, die ein großes Sprachmodell mit einem vorgeschalteten Abruf-Schritt kombiniert. Vor der Antwortgenerierung werden relevante Informationen aus einer externen Wissensquelle abgerufen und dem Modell als Kontext mitgegeben. Dadurch reduziert RAG Halluzinationen und liefert aktuelle, belegbare Antworten. RAG ist die Grundlage vieler KI-Suchsysteme wie Perplexity und der Google AI Overviews.

Ein reines Sprachmodell antwortet nur aus dem, was es beim Training gelernt hat. Sein Wissen ist damit auf einen Stichtag eingefroren und lässt sich nicht überprüfen. RAG durchbricht diese Grenze: Das Modell greift zur Laufzeit auf eine aktuelle Wissensbasis zu – etwa eine Dokumentensammlung, eine Datenbank oder das offene Web – und stützt seine Antwort auf diese Fundstellen. Das Ergebnis ist eine Antwort mit Quellenbezug statt aus dem Gedächtnis.

Kurzprofil des Begriffs

Wie funktioniert RAG (Retrieval, Augmentation, Generation)?

RAG läuft in drei aufeinanderfolgenden Schritten ab, die dem Verfahren seinen Namen geben: erst Abruf, dann Anreicherung, zuletzt Erzeugung. Der entscheidende Unterschied zum reinen Sprachmodell steckt in den ersten beiden Schritten, die vor der eigentlichen Textausgabe passieren.

1. Retrieval (Abruf): Die Nutzerfrage wird in einen Vektor (ein Embedding) umgewandelt und mit einer Wissensbasis abgeglichen. Eine Vektordatenbank findet die inhaltlich ähnlichsten Textpassagen – nicht über exakte Wortübereinstimmung, sondern über semantische Nähe.
2. Augmentation (Anreicherung): Die gefundenen Passagen werden dem ursprünglichen Prompt als Kontext beigelegt. Das Modell bekommt die Frage also nicht mehr allein, sondern zusammen mit den relevanten Belegstellen.
3. Generation (Erzeugung): Das Sprachmodell formuliert die Antwort auf Basis dieses angereicherten Prompts. Weil die Fakten mitgeliefert wurden, kann es sie zitieren, statt sie zu erraten.

Der Abruf funktioniert über Entitäten und semantische Ähnlichkeit, nicht über Keywords im klassischen Sinn. Genau deshalb spielt strukturierte, eindeutige Information eine so große Rolle für die Auffindbarkeit im Retrieval-Schritt.

Warum nutzt man RAG gegen Halluzinationen?

RAG löst die zwei größten Schwächen reiner Sprachmodelle: erfundene Fakten und veraltetes Wissen. Ein Sprachmodell erzeugt Text nach statistischer Wahrscheinlichkeit und kann dabei sehr überzeugend klingende, aber falsche Aussagen produzieren – das nennt man Halluzination. Weil RAG die Antwort an konkrete Fundstellen bindet, sinkt dieses Risiko deutlich.

Die wichtigsten Vorteile im Überblick:

• Aktualität: Die Wissensbasis lässt sich jederzeit aktualisieren, ohne das Modell neu zu trainieren. Neue Fakten sind sofort verfügbar.
• Nachvollziehbarkeit: Antworten können auf ihre Quellen verweisen. Genau das machen KI-Suchen sichtbar, wenn sie Fußnoten oder Links anzeigen.
• Fachwissen: Unternehmen binden eigene Dokumente ein – Handbücher, Produktdaten, interne Wikis – ohne diese sensiblen Daten ins Modelltraining zu geben.
• Kosten: Der Abruf ist günstiger als ein erneutes Training bei jeder Wissensänderung.

Dieses Verankern einer Antwort an belegbaren Fakten wird auch als Grounding bezeichnet. RAG ist das gängigste technische Verfahren, um Grounding umzusetzen.

Was bedeutet RAG für SEO und GEO?

Für die Suchmaschinenoptimierung bedeutet RAG einen Perspektivwechsel: Inhalte müssen nicht mehr nur ranken, sondern im Retrieval-Schritt als Beleg abrufbar und zitierfähig sein. Systeme wie AI Overviews, ChatGPT oder Perplexity rufen zur Laufzeit Inhalte ab und bauen daraus ihre Antwort. Wer als Quelle abgerufen und genannt werden will, muss für den Retrieval-Schritt optimieren.

Genau hier setzt Generative Engine Optimization (GEO) an – die Disziplin, Inhalte für die Zitierung in KI-Antworten aufzubereiten. Eng verwandt ist LLMO, die Optimierung der Sichtbarkeit in großen Sprachmodellen. Beide zielen darauf, dass ein RAG-System den eigenen Inhalt findet, versteht und als belegte Aussage übernimmt.

Drei Hebel helfen dabei besonders:

• Klare Definitionen: Kurze, eigenständig zitierfähige Aussagen – genau wie die Definition am Anfang dieses Artikels – lassen sich leicht als Passage abrufen.
• Strukturierte Daten: Schema.org und ein sauberer Knowledge Graph machen Entitäten und Beziehungen maschinenlesbar und erhöhen die Chance, korrekt abgerufen zu werden.
• Thematische Tiefe: Vollständig beantwortete Fragen liefern die Passagen, die ein RAG-System als Kontext bevorzugt.

Diese Verzahnung aus technischer Sauberkeit und zitierfähigem Inhalt ist der Kern moderner SEO-Betreuung, die klassische Rankings und KI-Sichtbarkeit gemeinsam denkt.

RAG vs. reines LLM und Fine-Tuning

RAG, ein reines LLM und Fine-Tuning lösen das Wissensproblem auf unterschiedliche Weise – und schließen sich nicht gegenseitig aus. Ein reines LLM antwortet allein aus dem Trainingswissen. Fine-Tuning trainiert ein Modell mit zusätzlichen Beispielen nach, um Stil oder Fachverhalten zu prägen. RAG dagegen lässt das Modell unangetastet und reicht das Wissen zur Laufzeit an.

In der Praxis werden RAG und Fine-Tuning oft kombiniert: Fine-Tuning prägt, wie das Modell antwortet, RAG steuert bei, womit es antwortet. Für aktuelle, überprüfbare Fakten ist RAG der Ansatz der Wahl.

Häufige Fragen zu Retrieval Augmented Generation

Wofür steht die Abkürzung RAG?
RAG steht für Retrieval Augmented Generation, auf Deutsch etwa „abrufgestützte Generierung“. Der Name beschreibt die drei Schritte des Verfahrens: Abruf (Retrieval), Anreicherung (Augmentation) und Erzeugung (Generation).

Braucht RAG eine Vektordatenbank?
In den meisten Fällen ja. Eine Vektordatenbank speichert Inhalte als Embeddings und findet im Retrieval-Schritt die semantisch passenden Passagen. Es gibt auch RAG-Varianten mit klassischer Volltextsuche, doch die semantische Suche über Vektoren ist der Standard.

Verhindert RAG Halluzinationen vollständig?
Nein. RAG senkt das Risiko deutlich, weil die Antwort an abgerufene Fakten gebunden ist. Falsch oder unvollständig abgerufener Kontext kann aber weiterhin zu Fehlern führen. Qualität und Aktualität der Wissensbasis bleiben entscheidend.

Was hat RAG mit SEO zu tun?
KI-Suchsysteme nutzen RAG, um Antworten aus abgerufenen Webinhalten zu bauen. Wer als Quelle zitiert werden möchte, optimiert seine Inhalte so, dass sie im Retrieval-Schritt gefunden und übernommen werden – das ist das Ziel von GEO und LLMO.

Was sind Rich Snippets?

Rich Snippets sind mit Zusatzinformationen angereicherte Suchergebnisse bei Google: Sterne-Bewertungen, Preise, Breadcrumb-Pfade oder Rezept-Daten. Google erzeugt sie aus strukturierten Daten, die eine Website nach dem Vokabular von schema.org im Quelltext hinterlegt. Ein Rich Snippet ersetzt das klassische, reine Text-Ergebnis nicht, sondern ergänzt es um visuelle Extra-Elemente, die direkt in der Trefferliste sichtbar sind.

Der Begriff stammt vom englischen snippet („Schnipsel“) – gemeint ist der einzelne Eintrag in der Trefferliste aus Titel, URL und Beschreibung. „Rich“ macht daraus ein reichhaltiges Ergebnis: Es zeigt auf einen Blick mehr als die Konkurrenz, zieht das Auge auf sich und beantwortet erste Fragen schon vor dem Klick. Für die Suchmaschinenoptimierung sind Rich Snippets deshalb ein starker Hebel für mehr Klicks bei gleicher Position.

Kurzprofil des Begriffs

Wie entstehen Rich Snippets?

Rich Snippets entstehen aus strukturierten Daten, die eine Website maschinenlesbar im Quelltext hinterlegt. Diese Daten beschreiben den Inhalt einer Seite in einem festen Vokabular: „Das hier ist ein Produkt, es kostet 12,99 Euro, hat eine Bewertung von 4,8 aus 1.204 Rezensionen.“ Google liest diese Auszeichnung aus, prüft sie und darf – muss aber nicht – daraus ein Rich Snippet bauen.

Das Vokabular dafür kommt von schema.org, einem gemeinsamen Standard von Google, Bing, Yahoo und Yandex. Die technisch von Google empfohlene Schreibweise ist JSON-LD – ein kompakter Datenblock, der im <head> der Seite liegt und den sichtbaren Text nicht verändert. Ein stark vereinfachtes Beispiel für eine Produktbewertung:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Bestes Produkt 2026",
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.8",
    "reviewCount": "1204"
  }
}

Wichtig: Strukturierte Daten sind nur die Eintrittskarte, keine Garantie. Google entscheidet pro Suchanfrage neu, ob ein Rich Snippet angezeigt wird. Voraussetzung ist immer, dass die ausgezeichneten Daten auch sichtbar auf der Seite stehen. Wer eine Bewertung im Markup behauptet, die auf der Seite nirgends erscheint, riskiert eine manuelle Maßnahme wegen Spam.

Welche Typen von Rich Snippets gibt es?

Es gibt viele Typen von Rich Snippets, weil jeder Inhaltstyp ein eigenes schema.org-Schema besitzt. Google unterstützt und dokumentiert eine feste Liste sogenannter „Structured Data Features“. Die in der Praxis wichtigsten:

• Bewertungen (Sterne): Aus AggregateRating – die goldenen Sterne bei Produkten, Rezepten oder lokalen Anbietern. Der auffälligste und begehrteste Typ.
• Produkte: Preis, Verfügbarkeit und Bewertung direkt im Ergebnis, ausgezeichnet über das Product-Schema.
• FAQ: Frage-Antwort-Paare über das FAQPage-Schema. Google hat die Anzeige 2023 auf Behörden- und Gesundheitsseiten beschränkt und am 7. Mai 2026 ganz eingestellt. Als Rich Snippet erscheint sie nicht mehr, für KI-Systeme bleibt die Auszeichnung sinnvoll.
• Rezepte: Kochzeit, Kalorien und ein Vorschaubild über das Recipe-Schema.
• Breadcrumbs: Der Pfad der Seite statt der nackten URL, ausgezeichnet über BreadcrumbList.
• Veranstaltungen, Videos, Jobs, Bücher: jeweils mit passenden Zusatzangaben wie Datum, Laufzeit oder Gehaltsspanne.

Welche Typen aktuell verfügbar sind, ändert sich laufend – Google baut Formate aus, testet neue und stellt andere wieder ein. Ein Blick in die offizielle Google-Dokumentation vor der Umsetzung lohnt sich deshalb immer.

Rich Snippet, Rich Result oder Featured Snippet?

Diese drei Begriffe werden oft verwechselt, meinen aber Verschiedenes. Der Unterschied liegt darin, woher das Element kommt und wo es in den SERPs steht.

• Rich Snippet: Ein normales Suchergebnis, das durch strukturierte Daten um Extra-Elemente wie Sterne oder Preise erweitert ist. Es bleibt an seiner regulären Ranking-Position.
• Rich Result: Der neuere, breitere Oberbegriff von Google. Er umfasst Rich Snippets, aber auch aufwändigere Darstellungen wie Karussells oder Bildergalerien. Google selbst spricht heute meist von „Rich Results“; „Rich Snippet“ ist der etablierte, engere Klassiker.
• Featured Snippet: Die hervorgehobene Antwortbox ganz oben, oft „Position 0″ genannt. Sie zitiert einen Textausschnitt einer Seite als direkte Antwort und entsteht nicht aus strukturierten Daten, sondern aus Googles Textverständnis.

Kurz gesagt: Rich Snippets steuerst du aktiv über Markup, ein Featured Snippet gewinnst du über guten, klar strukturierten Inhalt. Das Rich Result ist der Sammelbegriff, unter dem Google beide visuellen Aufwertungen zusammenfasst.

Wie bekommt man Rich Snippets?

Rich Snippets bekommt man, indem man den Seiteninhalt korrekt mit strukturierten Daten auszeichnet und die Auszeichnung anschließend prüft. Der Weg dorthin folgt vier Schritten:

1. Passenden Typ wählen: Zu jedem Inhalt gehört ein Schema – Product für Shops, Recipe für Rezepte, Article für Beiträge, LocalBusiness für Standorte. Nur das auszeichnen, was auch wirklich auf der Seite steht.
2. JSON-LD einbauen: Den Datenblock in den <head> setzen. In WordPress übernehmen das SEO-Plugins wie Yoast oder ein eigener Schema-Block; im Shop liefern viele Systeme das Markup automatisch.
3. Testen: Mit dem Test für Rich-Suchergebnisse (Rich Results Test) von Google prüfen, ob der Typ erkannt wird und keine Fehler oder Warnungen anstehen.
4. Überwachen: In der Google Search Console zeigt der Bericht zu den erweiterten Suchergebnissen, welche Typen Google gültig eingelesen hat und wo Probleme auftauchen.

Sauber umgesetzte strukturierte Daten sind einer der wirkungsvollsten Hebel der technischen Suchmaschinenoptimierung: Sie kosten nur einmal Aufwand und verbessern dauerhaft die Sichtbarkeit in der Trefferliste. Wer diesen Hebel systematisch nutzen und die richtigen Schema-Typen für jede Seite bestimmen will, ist mit einer strukturierten SEO-Betreuung gut aufgehoben – dort gehören strukturierte Daten und Rich Snippets zum Standardrepertoire.

Häufige Fragen zu Rich Snippets

Sind Rich Snippets ein Rankingfaktor?
Nein, Rich Snippets verbessern die Position in den Suchergebnissen nicht direkt. Sie machen ein Ergebnis aber auffälliger und steigern dadurch die Klickrate – und eine höhere Klickrate kann sich indirekt positiv auf die Sichtbarkeit auswirken.

Garantiert strukturiertes Markup ein Rich Snippet?
Nein. Korrektes Markup ist die Voraussetzung, aber Google entscheidet für jede Suchanfrage neu, ob und welches Rich Snippet angezeigt wird. Fehlerfreie, sichtbare und relevante Daten erhöhen die Chance deutlich.

Brauche ich Programmierkenntnisse für Rich Snippets?
Nicht zwingend. Für Standardfälle liefern CMS- und Shop-Systeme oder SEO-Plugins das Markup automatisch. Bei individuellen Anforderungen oder komplexen Schema-Kombinationen ist technisches Wissen jedoch hilfreich.