Retrieval-Augmented Generation (RAG) verändert die Art und Weise, wie Unternehmen ihre internen Wissensdatenbanken nutzen. Die meisten Referenzarchitekturen gehen jedoch von Unternehmensressourcen aus. Dieser Artikel stellt eine bodenständige, KMU-freundliche RAG-Architektur vor, die Kosten, Leistung und Wartbarkeit in Einklang bringt. Er behandelt die Dokumentenvorverarbeitung, Chunking-Strategien, Auswahl von Einbettungsmodellen, Vektordatenbanken (z. B. Milvus, Qdrant) und Optimierungstechniken wie Hybridsuche und Re-Ranking. Auch Bereitstellungsaspekte wie API-Gateway-Design, Caching und Überwachung werden diskutiert. Für technische Gründer und Engineering-Leiter, die RAG für ihr Produkt evaluieren, bietet diese Architektur einen konkreten Ausgangspunkt, der Überengineering vermeidet und dennoch produktionsreif ist. Der Fokus auf Modularität und inkrementelle Skalierung macht sie besonders relevant für Startups und mittelgroße Teams.
Ein praktischer Leitfaden für den Aufbau einer Enterprise-RAG-Architektur, die auf KMU zugeschnitten ist, mit Fokus auf Datenerfassung, Abruf und Bereitstellung.