LLM Comparator Wissensatlas · DEWissensatlas · KI mit Firmenwissen
Ein kennt Ihr Unternehmen nicht. Damit es trotzdem über Ihre Produkte, Handbücher oder Kundenfälle Auskunft geben kann, bekommt es das passende Wissen für jede Antwort vorgelegt. Dafür gibt es drei Grundtechniken: nachschlagen, wiederverwenden und verknüpfen.
Diese Seite zeigt Schritt für Schritt, wie sie funktionieren, wann welche passt und wo vereinfachte Infografiken zu viel versprechen.
Begriffe mit gepunkteter Linie, etwa , erklären sich beim Darüberfahren, Antippen oder per Tastatur.
Sie formuliert hervorragend und weiß viel über die Welt, kennt aber Ihr Unternehmen nicht: keine Produkte, keine Verträge, keine Kundenfälle. Genau so geht es einem Sprachmodell. Es gibt drei Grundtechniken, ihm Ihr Wissen zugänglich zu machen:
Retrieval-Augmented GenerationAntworten, ergänzt um gezielt abgerufenes Wissen
„Sie schlägt bei jeder Frage im Archiv nach und bringt nur die Seiten mit, die wirklich passen.“
Cache-Augmented GenerationAntworten auf Basis eines vorbereiteten, zwischengespeicherten Kontexts
„Sie hat das Handbuch bereits durchgearbeitet und aufgeschlagen vor sich. Für die nächste Frage muss sie es nicht neu lesen.“
Knowledge Augmented GenerationAntworten über strukturiert verknüpftes Wissen
„Sie arbeitet mit einem Organigramm und folgt den Verbindungslinien von Fakt zu Fakt, statt Texte zu durchsuchen.“
Keiner der drei Wege bringt dem Modell etwas dauerhaft bei. Das Wissen liegt nur für die jeweilige Antwort auf dem Tisch, die bleiben unverändert. Dauerhaft „lernen“ würde das Modell erst durch Training (). Und die drei Wege schließen sich nicht aus: Suche, , Caching und strukturierte Daten lassen sich kombinieren. [1] [3]
Wann sich echtes Training lohnt: CYOM-Guide →Wechseln Sie die Methode und gehen Sie den Ablauf Schritt für Schritt durch. Alle Varianten arbeiten mit denselben drei Quellen, von denen nur zwei relevant sind.
Eine Suche wählt die passenden Textstellen aus. Ein kann die Treffer nachsortieren; das Modell formuliert daraus die Antwort.
Im AlltagWie eine Kollegin, die vor jeder Antwort kurz im Archiv nachschlägt.
Vorab werden die Dokumente durchsuchbar gemacht: in Abschnitte zerlegt, nach Wörtern indexiert und als gespeichert, also als „Bedeutungs-Fingerabdrücke“. Dazu kommen wie Datum oder Abteilung.
Worauf es ankommtEine Frage mit mehreren Schritten braucht mehrere passende Belege. Die findet man über Textsuche, langen Kontext, Werkzeuge oder einen Graphen; ein ist dafür keine Pflicht. [5]
„Gut geeignet, wenn …“ ist ehrlicher als ein pauschales „das Beste für“. Am Ende entscheidet die Aufgabe.
Der Bestand ist groß oder ändert sich oft. Die Suche kann Wörter, Bedeutung, und Werkzeuge nutzen.
„Welche Änderung steht in der neuesten Produktdokumentation?“
AchtungFehlende Treffer, veraltete Quellen und falsche Schlüsse bleiben möglich. [4]
Viele Fragen beziehen sich auf einen stabilen Bestand, der komplett ins passt.
„Beantworte viele Fragen zu diesem unveränderten Handbuch.“
Achtung sparen das Einlesen. Neue Fragen und Antworten kosten weiterhin Rechenzeit. [1] [3]
Es zählen fachliche Beziehungen, Regeln, Fristen oder Mengen, und die Datenstruktur wird verlässlich gepflegt.
„Welche Produkte hängen über Lieferanten von diesem Bauteil ab?“
AchtungFalsch erfasste Knoten, Beziehungen oder Regeln verfälschen die Antwort. Die Struktur braucht Pflege. [2]
Die drei Begriffe sind nicht gleichrangig: ist eine breite Familie von Verfahren, meint hier eine konkrete Vorlade- und Cache-Strategie, ein bestimmtes Framework. und KAG sind verwandt, aber nicht dasselbe. [7]
Viele Infografiken stellen RAG, CAG und KAG als drei konkurrierende Lösungen dar. Die Grundideen stimmen, die Grenzen dazwischen nicht ganz. Und bei Tempo und Verlässlichkeit wird oft mehr versprochen, als die Forschung belegt.
6 verbreitete Aussagen im Faktencheck
Das ist nur die einfachste Variante. Gute kombinieren (findet exakte Produktnummern und Fachbegriffe), , Filter und . Wer jedem Textabschnitt etwas Kontext mitgibt, verhindert, dass beim Zerschneiden der Sinn verloren geht. [4]
Gespeichert wird die Vorarbeit des Modells zum Text (), keine fertige Antwort. Das spart das erneute Einlesen eines gleichbleibenden . Die neue Frage und die Antwort werden weiterhin berechnet. Cache-Laufzeiten, Änderungen am Text und Anbieterregeln bestimmen, wie viel das bringt. [3]
Drei Fragen, ein begründeter Startpunkt. Die Empfehlung passt sich sofort an, wenn Sie eine Antwort ändern.
Ein großer Bestand wird gezielt durchsucht. Kombinieren Sie Wortsuche und Bedeutungssuche, nutzen Sie Metadaten und prüfen Sie, ob Reranking den Abruf verbessert.
Worauf achtenIndex und Quellen zeitnah aktualisieren und den Quellenstand im Ergebnis sichtbar machen.
Am besten mit eigenen, typischen Fragen, gleicher Datenbasis und vergleichbarem Budget testen. [9]
Redaktionelle Faustregel als begründeter Startpunkt, kein gemessener Benchmark.
RAG, CAG und KAG sind nur ein Ausschnitt. Kein Verfahren ist überall das beste; diese Methoden sind sinnvolle Kandidaten, je nach Daten, Aufgabe und Budget.
Wortsuche und kombinieren, jedem Textabschnitt etwas Kontext mitgeben, Treffer filtern und nachsortieren. Das ist der Maßstab, an dem sich aufwendigere Systeme messen lassen müssen.
Passt zuDokumentenwissen, Fachsprache, Artikel- und Produktnummern [4]
Relevante Dokumente direkt mitgeben und den immer gleichen Anfang cachen, wo der Anbieter das unterstützt. Merksatz: Langer Kontext ist die Strategie, die Spartechnik.
Passt zubegrenzte, oft wiederverwendete Unterlagen [3]
Beziehungen gezielt erschließen oder die großen Themen eines Bestands finden. Die Graph-Methode muss zur Frage passen: Regeln prüfen ist etwas anderes, als einen Bestand zusammenzufassen.
Passt zuAbhängigkeiten, Fachregeln, vernetzte Bestände [2] [7]
Das System bildet Teilfragen, sucht mehrfach und prüft, welche Belege noch fehlen. Jeder zusätzliche Schritt kostet und kann neue Fehler einführen, deshalb gehören feste Abbruchregeln dazu.
Passt zuoffene Recherchen über mehrere Quellen [5]
Für Summen, Filter und aktuelle Systemwerte rechnet nicht das Sprachmodell, sondern ein Werkzeug. Das Modell übersetzt nur die Frage in eine Abfrage; Schema und Abfrage müssen stimmen.
Passt zuBestände, Summen, Zeiträume, Systemdaten [6]
Wichtige Notizen oder Fallstände über Sitzungen hinweg aufbewahren und gezielt wieder abrufen. Das ist etwas anderes als Caching: Veraltetes und Widersprüchliches muss aktiv gepflegt werden.
Einfache Fragen einfach beantworten, nur bei Bedarf Suche oder weitere Schritte zuschalten. Such- und Formulierungsfehler getrennt untersuchen. Einzelne Cache-Abschnitte wiederzuverwenden ist deutlich anspruchsvoller als normales Prefix-Caching.
Wissen kann auch in trainierten Zwischenspeichern oder direkt in den Modellparametern abgelegt werden. Das hat eigene Kosten für Training, Speicher und Qualität und ist kein gewöhnliches Prompt-Caching.
Passt zugezielte Fachanpassung, wenn Tests den Bedarf belegen [11]
Laut Anbieter verbindet eine gemeinsame ID je Objekt drei Dinge: ein Regelwerk (), die Dokumentdaten und den . Die Abfragesprache OxQL kombiniert logische Bedingungen mit Ähnlichkeitssuche. [15]
„Finde ähnliche Bauteile, aber nur solche, die nach meinen Regeln zur zulässigen Produktklasse gehören.“
Einordnung: , ein möglicher Baustein für RAG oder KAG. Caching bleibt eine separate Ergänzung.
Sinnvoll für einen gezielten Pilot, noch kein belegter allgemeiner Vorsprung.
In den geprüften öffentlichen Unterlagen fand sich keine unabhängige und kein verlinkter, vollständiger Code zum Nachrechnen. Die Demo zeigt einen funktionierenden Suchpfad; sie belegt weder Produktionsreife noch einen Geschwindigkeitsvorteil gegenüber starken .
Gleiche Daten, Embeddings, Regeln und Fragen verwenden.
Gegen Hybrid-RAG mit Reranker, Vektorsuche mit Filtern und Vektorsuche plus einfacher Regelkomponente antreten lassen.
Belegabruf, Regelverletzungen, korrekte Antworten und ehrliche gemeinsam messen.
Aktualisierungskosten, , parallele Zugriffe und das Zurücknehmen falscher Fakten prüfen.
Absichtlich Extraktionsfehler einbauen: Logisch korrektes Schließen aus falschen Fakten bleibt sachlich falsch.
Die Testempfehlung ist unsere Synthese. Produktstatus laut Anbieter; Anbieterunterlagen abgerufen am 15.10.2026: OxQL · Sensory · Surface · Produktstatus
Jede Quelle mit Kernaussage und ehrlicher Einordnung. Die neuesten aufgenommenen arXiv-Arbeiten stammen vom 6. und 9. Oktober 2026; ältere Originalarbeiten erklären die Begriffe.
Definiert die hier verwendete CAG-Variante: eine begrenzte Wissensbasis einmal vorladen und ihre Rechenzustände (KV-Cache) für weitere Fragen nutzen.
EinordnungGetestet mit Llama 3.1 8B, verkleinerten SQuAD- und HotpotQA-Beständen und einfachen Such-Vergleichssystemen. Kein Beleg, dass CAG modernes RAG generell übertrifft.
Primärquelle lesenVerknüpft Wissensgraphen mit Originaltext, Vektorsuche und einer durch logische Formen gesteuerten Verarbeitung. Das Framework umfasst auch das Verbessern der Modellfähigkeiten selbst.
EinordnungDie berichteten Gewinne gelten für die untersuchten Aufgaben. Explizite Struktur ersetzt keine Faktenprüfung und ist nicht für jede Frage nötig.
Primärquelle lesenDokumentiert, dass bereits berechnete Zustände eines übereinstimmenden Anfangs (Präfix) wiederverwendet werden. Neue Eingaben und die Antwort werden weiterhin verarbeitet.
EinordnungKeine neue Publikation, sondern laufende Doku. Wie lange ein Cache gilt, welche Modelle ihn unterstützen und was er kostet, regelt jeder Anbieter anders.
Primärquelle lesenKombiniert Kontext je Textabschnitt, Wortsuche (BM25), Bedeutungssuche und Reranking. Die gemeldete Fehlerrate beim Abruf der Top-20-Treffer sinkt von 5,7 % auf 1,9 %.
EinordnungDas betrifft den Abruf in Anthropics Experimenten, nicht eine allgemeine Verbesserung der Antwortgenauigkeit um 67 %.
Primärquelle lesenZerlegt Fragen, wählt Quellen, sucht und prüft die Beleglage in Schleifen. Google berichtet 90,1 % korrekte Antworten im eigenen Versuch über mehrere Wissensbestände (FramesQA).
Einordnung824 Fragen, 2.676 PDFs plus Ablenkungsbestände, bewertet von einem Sprachmodell. Kein allgemeiner Genauigkeitswert und kein Beleg für Vorteile bei jeder Aufgabe.
Primärquelle lesenEmpfiehlt gezieltes Nachladen, hybride Kontextstrategien, Verdichtung und dauerhafte Notizen. Nicht alles, was ins Kontextfenster passt, wird gleich gut genutzt: Je voller es wird, desto leichter gehen Details unter.
EinordnungPraxisbericht. Mehr Erkundung kostet Zeit; zu starkes Verdichten kann entscheidende Informationen entfernen.
Primärquelle lesenVerlagert teure Vorverarbeitung in den Moment der Anfrage und beantwortet auch globale Fragen über einen ganzen Bestand. Graph-Ansätze haben sehr unterschiedliche Kostenprofile.
EinordnungVergleiche hängen von Konfiguration und Datensatz ab. Nicht jeder Graph-Ansatz braucht dieselbe teure Vorberechnung; GraphRAG ist nicht dasselbe wie KAG.
Primärquelle lesenHintergrundprozesse fassen relevante Erinnerungen aus dem Gesprächsverlauf zusammen. Ein Beispiel für dauerhaftes Gedächtnis als eigenen Baustein neben Suche und Caching.
EinordnungPersönliche Kontinuität ist eine andere Aufgabe als Unternehmenssuche. Produktbeschreibung, kein unabhängiger Methodenvergleich.
Primärquelle lesenEin Optimierungs-Agent trennt Such- von Formulierungsfehlern und sucht nach günstigen Einstellungen. Das stützt die Idee, die Auswahl anhand eigener Tests zu treffen.
EinordnungAgentisch ist hier nur der Optimierer; die getestete Pipeline sucht einmalig. Bewertung durch ein Sprachmodell und unvollständige Betriebskosten begrenzen die Aussage.
Primärquelle lesenTestet, ob separat gecachte Abschnitte wiederverwendet werden können. Im untersuchten Lastprofil steigt die Cache-Trefferrate, und die Zeit bis zum ersten Token sinkt.
EinordnungEin Modell, kontrollierte Lastprofile. Naives Wiederverwenden einzelner Abschnitte schwächelt, wenn über mehrere Dokumente hinweg geschlossen werden muss.
Primärquelle lesenVergleicht drei Ablageorte für Wissen (Kontext, trainierte KV-Repräsentationen, angepasste Modellparameter) auf fünf Wissens-Benchmarks. Jede Option hat andere Kosten für Qualität, Speicher und Anpassung.
EinordnungNur Qwen3-8B und Gemma-3-12B, kein universeller Sieger. Gelernte „Cartridges“ sind kein normales Prompt-Caching und zeigen Einbußen bei Kontrollaufgaben.
Primärquelle lesenErschließt historische Supportfälle als zeitliche Abfolge. Die Suche nach Zwischenständen verbessert im untersuchten Aufbau den Fallabruf gegenüber RAG- und GraphRAG-Vergleichssystemen.
EinordnungSynthetischer Haupttest plus kleine reale Ergänzung. Misst den Abruf, nicht ob Probleme tatsächlich gelöst werden. Nicht zu verwechseln mit „Retrieval-Augmented Fine-Tuning“, das ebenfalls RAFT heißt.
Primärquelle lesenVerbindet Dokumenthierarchien, Bedeutungssuche, eine Prüfung fehlender Belege und das Wiederverwenden erfolgreicher Suchpfade. Interessant als Ergänzung zur reinen Ähnlichkeitssuche.
EinordnungGemeldete Token-Einsparungen gelten gegenüber ausgewählten Vergleichssystemen. Der Vorbereitungsaufwand für historische Fragen fehlt in den Abfragekosten der stärkeren Variante.
Primärquelle lesenSucht kleine Informationseinheiten und verwendet deren vorberechnete Zustände direkt. Ein aktueller Beleg dafür, dass RAG und Caching kombinierbar sind.
EinordnungBraucht Offline-Vorverarbeitung, Speicher und spezielles Fine-Tuning. Am besten für selten veränderte Dokumente; dass getrennt verarbeitete Teile nicht aufeinander Bezug nehmen, begrenzt den Einsatz.
Primärquelle lesenBeschreibt Ontologie-Klassifikation und Vektorsuche mit gemeinsamen IDs. Dokumentiert unter anderem genau eine Abfragevariable, keine Joins über mehrere Variablen und den Umgang mit unterschiedlich selektiven Filtern.
EinordnungAnbieterquelle. Breite Filter können auf überabgerufenen Kandidaten arbeiten; das relativiert pauschale Werbeaussagen gegen nachträgliches Filtern.
Primärquelle lesenFew-shot-Test auf 3.080 Nachrichten: 84,9 % Intent-Genauigkeit, 8 % an Menschen weitergereicht. Unter den angenommenen Fällen: 88,4 % Intent- und 97 % (gröbere) Queue-Genauigkeit.
EinordnungKein kontrollierter Vergleich mit Jev. Isoliert keinen Vorteil der Datenbank gegenüber derselben Klassifikation mit einfacher Regellogik.
Primärquelle lesenZeigt bearbeitbare, nachvollziehbare Entscheidungen, meldet aber keinen Sieg über eine einfache Heuristik. Vektor-Erinnerungen steuern die Entscheidungen hier nicht.
EinordnungKleines Experiment mit drei Episoden je Konfiguration. Der Autor nennt selbst Grenzen, unter anderem globale Klassifikation, keine schrittweise Rücknahme und Probleme bei parallelen Zugriffen.
Primärquelle lesenLeseschlüsselEine Veröffentlichung auf ist noch keine Begutachtung durch Fachkollegen; eine im Paper genannte Konferenz-Annahme ist gesondert vermerkt. Laborberichte und Produktdokumentation sind Primärquellen für die jeweilige Methode, aber kein unabhängiger Wirksamkeitsnachweis. Veröffentlichungs- und Abrufdatum stehen getrennt.
Für viele Anwendungen ist eine Kombination der beste Startpunkt: aktuelle Belege suchen, wiederkehrenden Kontext cachen und Struktur oder zusätzliche Suchschritte dort einsetzen, wo sie nachweislich helfen.