Skip to main content

Retrieval- und Wissensschicht

Hinweis: Dieses Dokument ist eine automatische Übersetzung des englischen Originals.

Retrieval- und Wissensschicht

Eine Retrieval- und Wissensschicht ist ein System, das relevante Informationen speichert, indexiert und abruft, damit KI-Modelle fundierte Antworten erzeugen können. Sie ist die Infrastruktur, die einem Modell Zugang zu externem Wissen verschafft — Dokumente, On-Chain-Daten, Protokollspezifikationen, Marktereignisse — anstatt sich allein auf das zu verlassen, was sich das Modell während des Trainings eingeprägt hat.

Kurz gesagt: Die Retrieval-Schicht ist das „R“ in RAG. Sie ist der Such- und Abrufmechanismus, der den richtigen Kontext findet, bevor das Modell eine Antwort erzeugt.

Wie es funktioniert

Eine Retrieval- und Wissensschicht folgt einer allgemeinen Pipeline:

  1. Ingestion. Dokumente, Datenfeeds oder strukturierte Datensätze werden aus Quellen gesammelt — Dokumentation, On-Chain-Ereignisse, APIs, Forschungsarbeiten, Community-Inhalte.
  2. Verarbeitung. Rohdaten werden bereinigt, in Passagen zerlegt (Chunking) und in ein durchsuchbares Format überführt. Für die Vektorsuche bedeutet das, Embeddings zu berechnen — numerische Repräsentationen der Bedeutung von Text.
  3. Indexierung. Verarbeitete Chunks werden in einer Wissensbasis abgelegt — typischerweise einer Vektordatenbank, einem Suchindex oder einem Wissensgraphen.
  4. Retrieval. Trifft eine Anfrage ein, findet das System die relevantesten Chunks, indem es die Anfrage mit dem Index abgleicht (semantische Ähnlichkeit, Schlüsselwortabgleich oder Graph-Traversierung).
  5. Auslieferung. Die abgerufenen Chunks werden dem KI-Modell (in der Regel einem LLM) als Kontext für die Antworterzeugung übergeben.

Die Qualität des gesamten KI-Systems hängt stark von dieser Schicht ab. Ein leistungsfähiges LLM mit einer schlechten Retrieval-Schicht erzeugt Antworten, die auf irrelevantem oder fehlendem Kontext beruhen.

Die Chunking-Strategie, die Wahl des Embedding-Modells und das Reranking (eine zweite Stufe, die Kandidaten sorgfältiger ordnet) beeinflussen alle, ob die „richtigen“ Passagen auftauchen. Hybrides Retrieval — die Kombination dichter Vektoren mit Schlüsselwort- oder Metadatenfiltern — ist üblich, wenn Anfragen präzise Bezeichner (Vertragsadressen, Versionsnummern) mit offener Sprache mischen. Aktualität zählt: Veraltete Indizes können unbemerkt dem aktuellen Chain-Zustand widersprechen, sofern Ingestion und Invalidierung nicht explizit erfolgen.

Warum das in Krypto-KI wichtig ist

Krypto-KI-Projekte bauen häufig Wissensschichten, die auf Web3-Daten zugeschnitten sind, oder behaupten dies zu tun. Die Gründe sind praktischer Natur:

  • Krypto-Daten sind spezialisiert. Allzweck-LLMs haben nur begrenztes Wissen über spezifische Protokolle, Token-Mechaniken, Smart-Contract-Details oder On-Chain-Ereignisse. Eine domänenspezifische Wissensbasis schließt diese Lücke.
  • Daten ändern sich schnell. Token-Preise, Governance-Vorschläge, Protokoll-Upgrades und Marktbedingungen verschieben sich ständig. Eine Retrieval-Schicht, die mit Echtzeit-Datenfeeds verbunden ist, hält KI-Antworten aktuell.
  • On-Chain-Daten sind anders strukturiert. Transaktionshistorien, Vertragszustände und Wallet-Aktivitäten erfordern eine spezialisierte Indexierung — nicht nur Textsuche, sondern On-Chain-bewusstes Retrieval.

Übliche Projektmuster umfassen Krypto-Intelligence-Terminals, Assistenten für Protokolldokumentation, Web3-Wissensgraphen und Echtzeit-Datenpipelines für KI-Agenten.

Typische AI-component-Werte

In DecAIHub-Projektkarten verweist das Feld AI component häufig auf Fähigkeiten der Retrieval- und Wissensschicht:

  • Retrieval and knowledge layer
  • AgentData (real-time data streams for AI agents)
  • AI Q&A + Web3 knowledge graph
  • AI summaries + crypto intelligence terminal
  • 3D AI agents (RAG/memory/LLM catalog)

Diese Werte beschreiben unterschiedliche Umsetzungen derselben Grundidee: strukturierter Zugang zu externem Wissen für KI-Modelle.

Verbindung zu anderen Komponenten

Die Retrieval-Schicht verbindet sich mit mehreren anderen KI-Komponenten: Inferenz (das LLM, das mithilfe des abgerufenen Kontexts Antworten erzeugt), RAG (das Architekturmuster, das Retrieval mit Generierung kombiniert), Datenquellen (das Rohmaterial, das die Wissensschicht indexiert) und KI-Agenten (die die Wissensschicht abfragen, bevor sie Entscheidungen treffen).

Was eine Wissensschicht nicht beweist

  • Eine Wissensbasis zu haben, beweist nicht, dass die sie nutzende KI echt oder akkurat ist. Ein Projekt kann eine gut indexierte Datenbank aufbauen und trotzdem kein funktionierendes KI-Modell darüber besitzen.
  • Krypto-Daten zu indexieren, beweist nicht, dass das Retrieval hochwertig ist. Qualität hängt von der Chunking-Strategie, dem Embedding-Modell, dem Relevanz-Ranking und der Aktualität der Daten ab.
  • Eine Retrieval-Schicht zu bauen, beweist nicht, dass die KI des Projekts proprietär ist. Das Retrieval-System kann aus standardmäßigem Open-Source-Tooling bestehen (z. B. einer Vektordatenbank) ohne jegliche eigene KI-Arbeit.
  • Eine Wissensschicht allein beweist nicht die Onchain necessity oder Token necessity. Prüfe den vollständigen DecAI Fit-Score.

Wenn du ein Projekt bewertest, das eine Retrieval- oder Wissensschicht behauptet, achte auf Details: welche Datenquellen indexiert werden, wie oft der Index aktualisiert wird, welches Embedding- oder Suchmodell verwendet wird und ob Qualitätsmetriken veröffentlicht sind.

Nicht verwechseln mit

  • RAG — RAG ist das vollständige Architekturmuster (Retrieval + Generierung). Die Retrieval- und Wissensschicht ist die Retrieval-Hälfte. Ein Projekt kann eine Wissensschicht haben, ohne eine vollständige RAG-Pipeline umzusetzen.
  • Datensatz — ein Datensatz ist eine statische Sammlung von Daten, die zum Training oder zur Evaluierung verwendet wird. Eine Wissensschicht ist ein lebendiges, abfragbares System, das für Retrieval zur Inferenzzeit konzipiert ist.
  • AI component — die Retrieval-Schicht ist eine mögliche KI-Komponente. Das AI-component-Feld in einer Projektkarte kann eine Retrieval-Schicht beschreiben, aber auch Inferenz, Training oder andere Mechanismen.

Häufig gestellte Fragen

Ist eine Vektordatenbank für sich genommen eine „Wissensschicht“ auf einer Karte?

Eine Vektordatenbank ist oft Teil der Umsetzung, aber der Wert AI component impliziert einen durchgängigen Pfad Ingestion → Index → Abfrage, der den Modellkontext speist. Existiert nur leere Infrastruktur ohne kuratierte Quellen und Retrieval-Verhalten, behandle die Behauptung als unvollständig, bis Tier-1-Dokumentation den vollständigen Kreislauf belegt.

Wie sollten Leser die Retrieval-Qualität anhand einer Projektkarte beurteilen?

Karten listen womöglich nicht jedes technische Detail auf. Priorisiere dokumentierte Embedding-Modelle, die Aktualisierungsfrequenz, Quelllisten und jede Evaluierung der Retrieval-Präzision oder Antwort-Treue. Gleiche dies mit Benchmarks und Qualitätsmetriken ab, wo veröffentlicht.

Können Agenten dieselbe Wissensschicht wie ein Chat-Assistent nutzen?

Ja. Agenten und Assistenten können sich einen Retrieval-Stack teilen; der Unterschied liegt in der Orchestrierung und in Aktionen, die über eine einzelne Antwort hinausgehen. Siehe Agenten als AI component dafür, wie sich Agenten-Laufzeiten von passivem Q&A unterscheiden.

Externe Referenzen

Siehe auch

No comments to display

Back to top