RAG in einem Satz
RAG (Retrieval-Augmented Generation) bedeutet: Ein KI-Assistent sucht zuerst passende Informationen in einer Wissensquelle und bezieht sie anschließend in seine Antwort ein. Er muss die gefundenen Fakten nicht bereits während seines Modelltrainings gelernt haben.
Mehr erfahren über Atrium?
Dafür braucht es keine komplizierte Erklärung. Stell dir vor, du fragst einen neuen Kollegen nach eurer Urlaubsregelung. Ein guter Kollege rät nicht aus dem Bauch heraus. Er sieht in der aktuellen Richtlinie nach und erklärt dir anschließend, was dort steht. Genau diese Verbindung aus Nachschlagen und verständlichem Antworten beschreibt das RAG-Prinzip für KI.
Wie funktioniert RAG?
Ein typischer Ablauf besteht aus fünf Schritten:
- Frage: Jemand fragt beispielsweise „Wie werden bei uns Rechnungen freigegeben?“
- Suchen (Retrieval): Eine Suche findet passende Abschnitte in freigegebenen Dokumenten oder einem Wissensspeicher.
- Kontext ergänzen (Augmentation): Die gefundenen Inhalte werden dem KI-Modell zusammen mit der Frage übergeben.
- Antwort erzeugen (Generation): Das Modell formuliert eine Antwort unter Berücksichtigung dieses Kontexts.
- Belege prüfen: Gute Lösungen nennen Quellen und markieren Unsicherheit, veraltete Angaben oder Lücken.
Die Stärke liegt nicht darin, dass die KI plötzlich alles weiß. Sondern darin, dass sie gezielt die richtigen Informationen zur richtigen Frage erhält.

Warum braucht man dafür eine Vektorsuche?
Eine klassische Stichwortsuche findet Wörter. Eine semantische Suche kann auch nach der Bedeutung suchen: „Wie beantrage ich Urlaub?“ passt inhaltlich zu „Erholungsurlaub und Freigabeverfahren“, obwohl die Formulierung abweicht. Dazu werden Texte in sogenannte Embeddings umgewandelt – Zahlenvektoren, die Ähnlichkeiten zwischen Bedeutungen abbilden.
Vektorsuche ist dabei nur ein Baustein. Eine hybride Suche verbindet semantische Treffer mit exakter Volltextsuche: Das ist besonders nützlich, wenn beispielsweise konkrete Kennungen, Richtliniennummern oder Produktnamen gefragt sind.
Eine Datenbank allein macht noch kein vollständiges RAG-System; es braucht auch die Auswahl passender Quellen und einen KI-Assistenten, der sie tatsächlich verwendet.
RAG, MCP und Vektordatenbank: Was ist was?
| Begriff | Aufgabe |
|---|---|
| RAG | Das Verfahren: Informationen abrufen, Kontext ergänzen, Antwort formulieren |
| Embedding / Vektorsuche | Ein Verfahren zum inhaltlichen Wiederfinden passender Textabschnitte |
| PostgreSQL als Vektordatenbank | Möglicher Speicher und Suchindex für Wissen und Vektoren |
| MCP (Model Context Protocol) | Schnittstellenprotokoll, über das ein KI-Assistent Werkzeuge wie eine Suche aufrufenfen kann |
| Sprachmodell (LLM) | Erzeugt aus Frage und bereitgestelltem Kontext eine verständliche Antwort |
MCP ist nicht RAG, kann aber den Wissensabruf für RAG ermöglichen. Und eine Vektordatenbank ist nicht gleichbedeutend mit einem fertig nutzbaren Unternehmenswissenssystem.
Ein konkretes Beispiel mit Atrium Tablinum
Atrium Tablinum ist ein selbst hostbarer, gemeinsamer Wissensspeicher für kompatible KI-Assistenten. Wissenseinträge werden strukturiert abgelegt, für die Suche indexiert und können über MCP-Werkzeuge wie search_knowledge abgerufen werden. Die Suche kombiniert Volltext- und Bedeutungssuche; der Assistent kann bei Bedarf über get_knowledge einen vollständigen Eintrag lesen.
Stellt ein berechtigter Mitarbeiter in ChatGPT oder Claude eine Frage nach einem internen Ablauf, kann der Assistent über MCP relevante Atrium-Abschnitte abrufen und die Antwort auf diese Quellen stützen.
Entscheidend ist: Der Abruf richtet sich nach den Benutzerrechten. Persönliche Informationen sind nicht automatisch für das gesamte Unternehmen sichtbar.
Nach Angabe des Produktinhabers setzt Atrium auf PostgreSQL als Vektordatenbank. Der Embedding-Dienst wurde in der Behringer-Instanz am 20.11.2026 mit dem Modell BAAI/bge-m3 als betriebsbereit geprüft. Aussagen über konkrete PostgreSQL-Erweiterungen oder allgemeine Leistungskennzahlen sollten vor der öffentlichen Übernahme gesondert anhand des aktuellen Codes überprüft werden.
Was RAG kann – und was nicht
RAG kann helfen, Antworten auf aktuelle, spezifische Informationen zu stützen und die Herkunft nachvollziehbar zu machen. Es kann die Notwendigkeit reduzieren, ein Sprachmodell auf firmenspezifische Informationen nachzutrainieren.
Aber RAG garantiert keine richtige Antwort.
Eine Suche kann die falschen Abschnitte finden, ein Dokument kann veraltet sein, und selbst bei guten Quellen kann ein Sprachmodell sie falsch interpretieren.
Darum sind Quellenangaben, Aktualität, fachliche Verantwortlichkeiten und Berechtigungen keine netten Extras, sondern entscheidend für den Unternehmenseinsatz.
Auch wichtig: Nur weil ein Assistent über MCP mit einem Wissensspeicher verbunden ist, ruft er dessen Suche nicht zwingend bei jeder Frage auf. Das hängt von Client, Konfiguration und gegebenenfalls zusätzlicher Orchestrierung ab.
Atrium speichert außerdem nicht automatisch jeden Chat; neues Wissen wird bewusst auf Auftrag abgelegt.
Wann lohnt sich ein RAG-System?
Ein guter Anwendungsfall liegt vor, wenn viele Fragen auf vorhandenem, veränderlichem Wissen beruhen: Richtlinien, Produktinformationen, Prozesse, technische Dokumentation, Erfahrungswissen oder Entscheidungen.
Weniger sinnvoll ist RAG, wenn keine verlässliche Wissensbasis vorhanden ist oder wenn die Aufgabe primär aus Berechnungen, Transaktionen oder aktuellen Live-Daten besteht, die eigene Werkzeuge benötigen.
Für die Auswahl einer RAG-Lösung solltest du nicht nur fragen „Hat sie Vektorsuche?“, sondern:
Wer darf was lesen? Wer hält Inhalte aktuell? Welche KI-Clients sind kompatibel? Werden Quellen genannt? Wie kann ich die Antworten testen und die Daten wieder exportieren?
Diese Fragen entscheiden häufig stärker über den praktischen Nutzen als ein einzelner Suchalgorithmus.
Häufige Fragen
Brauche ich für RAG ein eigenes KI-Modell?
Nein. Ein bestehender kompatibler KI-Assistent kann passende Informationen aus einer separaten Wissensquelle erhalten.
Ist RAG dasselbe wie KI-Training?
Nein. Typischerweise wird das Sprachmodell nicht neu trainiert; es erhält Zusatzinformationen zur Laufzeit.
Ist eine Vektordatenbank Pflicht?
Nein. RAG kann auch mit Volltextsuche oder strukturierten Abfragen arbeiten. Vektoren sind eine häufige, aber nicht die einzige Retrieval-Technik.
Sind bei RAG meine Daten automatisch sicher?
Nein. Sicherheit hängt von Hosting, Identitäten, Zugriffsrechten, Datenflüssen, Clients und Betriebsprozessen ab.
Ist Atrium eine RAG-Lösung?
Atrium liefert zentrale RAG-Bausteine – Wissensspeicher, hybride Suche, berechtigungsabhängigen Abruf und MCP-Anbindung. Die endgültige Antwort wird im angeschlossenen KI-Client erzeugt.
Daher ist „RAG-fähige, selbst hostbare Wissensinfrastruktur für KI-Assistenten“ genauer als „vollautomatischer RAG-Chatbot“, der Vorteil: Du verwendest deine aktuellen Assistenten weiter wie gewohnt.
Hier geht es zu Atrium Tablinum:
Du möchtest mehr dazu erfahren, wie Dir Atrium Tablinum im Unternehmensalltag und beim Einsatz Deiner KI Assistenten helfen wird?

