Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Häufig gestellte Fragen
## Warum ist es wichtig, Dokumente für RAG-Anwendungen zu optimieren?
Rohdokumente werden häufig für den menschlichen Gebrauch geschrieben, ohne die Anforderungen fortschrittlicher KI-Systeme wie Retrieval Augmented Generation (RAG) -Anwendungen zu berücksichtigen. Die Optimierung von Dokumenten durch die Befolgung bewährter Verfahren kann die Leistung und Genauigkeit von RAG-Anwendungen erheblich verbessern, indem strukturierte, eindeutige und relevante Informationen für die Modelle bereitgestellt werden.
## Was sind einige der häufigsten Probleme bei Rohdokumenten, die die Leistung von RAG beeinträchtigen können?
Zu den wichtigsten Herausforderungen gehören der Mangel an strukturierter Formatierung und Metadaten, informelle oder inkonsistente Sprache, Ausführlichkeit und Redundanz, mehrdeutige Begriffe und Ausdrücke, die Aufnahme von Hyperlink-Elementen und das Fehlen eines domänenspezifischen Kontextes. Diese Probleme können die RAG-Modelle verwirren und zu ungenauen oder irrelevanten Antworten führen. Weitere Informationen finden Sie in diesem Handbuch unter [Herausforderungen bei Quelldaten, die sich auf RAG-Anwendungen auswirken](challenges.md).
## Wie kann die Verwendung von Überschriften und Zwischenüberschriften die Leistung von RAG verbessern?
Klare Überschriften und Zwischenüberschriften helfen RAG-Modellen, die Struktur und den Kontext des Inhalts zu verstehen. Dadurch können sie besser navigieren und relevante Informationen aus den Dokumenten extrahieren, und die Qualität der generierten Antworten wird verbessert. Weitere Informationen finden Sie in diesem Handbuch unter [Bewährte Methoden zur Dokumentation für RAG-Anwendungen](best-practices.md).
## Warum wird empfohlen, Tabelleninformationen durch eine Flat-Level-Syntax zu ersetzen?
Für RAG-Modelle kann es schwierig sein, Tabellen zu interpretieren, da sie ein Verständnis der zweidimensionalen Struktur erfordern. Die Darstellung von Tabelleninformationen in einer einfachen Syntax oder einer Aufzählung hilft Modellen, die Informationen einfacher zu verarbeiten, was zu einer besseren Leistung führt. Weitere Informationen finden Sie in diesem Handbuch unter [Bewährte Methoden zur Dokumentation für RAG-Anwendungen](best-practices.md).
## Wie kann das Hinzufügen von Zusammenfassungen die Leistung von RAG verbessern?
Das Hinzufügen von kurzen Zusammenfassungen am Anfang jedes Abschnitts oder Unterabschnitts kann die semantische Abdeckung erhöhen und wichtige Punkte unterstreichen. Dies verbessert die Genauigkeit von Ähnlichkeitssuchen innerhalb des Einbettungsbereichs, was letztlich die Leistung der RAG-Anwendung verbessert. Weitere Informationen finden Sie in diesem Handbuch unter [Bewährte Methoden zur Dokumentation für RAG-Anwendungen](best-practices.md).
## Warum ist es wichtig, Abkürzungen zu definieren und den Kontext dafür LLMs festzulegen?
LLMs sind an einem breiten Datenspektrum geschult, aber ihnen fehlt der Kontext für unternehmensspezifische Abkürzungen oder Terminologie. Die Definition von Abkürzungen und die Bereitstellung von Kontext helfen dabei, sie LLMs besser zu verstehen und genauer darauf zu reagieren. Dies kann dazu beitragen, Halluzinationen oder Fehlinterpretationen vorzubeugen. Weitere Informationen finden Sie in der [Dokumentation zu bewährten Methoden für RAG-Anwendungen](best-practices.md) in diesem Handbuch.