Retrieval-augmented generation (RAG) ist eine Methode, bei der ein KI-System zunächst eine Reihe Ihrer eigenen Dokumente durchsucht, wie z. B. Produktdaten, Richtlinien und Hilfeartikel, und dann eine Antwort basierend auf dem Gefundenen schreibt. Für E-Commerce-Marken ermöglicht RAG Einkaufsassistenten, Support-Bots und interne Tools, die auf Basis aktueller Katalog- und Richtliniendaten antworten, anstatt auf das allgemeine Gedächtnis des Modells zurückzugreifen.
Die Idee stammt aus einem Forschungspapier von 2020 von Patrick Lewis und Kollegen von Facebook AI Research und Partneruniversitäten. Es ist heute das gängigste Muster für geschäftliche KI-Assistenten, da es Antworten an Quellen bindet, die das Unternehmen kontrolliert und aktualisiert.
Wie funktioniert RAG Schritt für Schritt?
Ein RAG-System besteht aus zwei Hälften. Die erste bereitet Ihre Inhalte vor: Dokumente werden in Abschnitte unterteilt, jeder Abschnitt wird in eine numerische Darstellung namens Embedding umgewandelt, und diese Embeddings gelangen in einen Suchindex, oft eine Vektordatenbank. Die zweite Hälfte beantwortet Fragen: Die Frage des Benutzers wird eingebettet, die ähnlichsten Abschnitte werden abgerufen und das Sprachmodell schreibt eine Antwort unter Verwendung dieser.
- Ingest: Sammeln Sie Produktfeeds, Richtlinienseiten, Hilfeartikel und FAQs.
- Chunk: Teilen Sie sie in Passagen von einigen hundert Wörtern auf, wobei Produktdatensätze ganz bleiben.
- Embed und Index: Speichern Sie Passagen in einem Vektorindex, oft zusammen mit einer Stichwortsuche.
- Retrieve: Finden Sie die relevantesten Passagen für jede Frage.
- Generate: Das Modell schreibt eine Antwort, die nur diese Passagen zitiert oder verwendet.
- Update: Re-indexieren Sie, wenn sich Produkte, Preise oder Richtlinien ändern.
Viele Plattformen bündeln diese Schritte, von Cloud-Diensten wie Azure AI Search, Google Vertex AI Search und Amazon Bedrock Knowledge Bases bis hin zu E-Commerce-Support-Tools mit integrierten Wissensdatenbanken. Benutzerdefinierte Builds verwenden Frameworks wie LangChain oder LlamaIndex.
Welche E-Commerce-Anwendungsfälle eignen sich für RAG?
Einkaufsassistent
Ein Kunde fragt: “Welche Ihrer Laufschuhe eignen sich für breite Füße unter einem bestimmten Budget?” Ein RAG-Assistent ruft Produkte ab, deren Daten eine breite Passform erwähnen, filtert nach Preis und erklärt dann die Optionen. Die Qualität hängt stark davon ab, ob Passforminformationen in den Produktdaten vorhanden sind. Wenn nicht, kann kein Modell sie zuverlässig erfinden.
Support- und Richtlinienantworten
Rückgabefenster, Versandzonen, Garantiebedingungen und Zahlungsoptionen ändern sich. Ein RAG-Support-Bot antwortet von der aktuellen Richtlinienseite aus, sodass eine Aktualisierung der Seite den Bot aktualisiert. Das ist ein großer Vorteil gegenüber dem Fine-Tuning, bei dem das Modell für jede Richtlinienänderung neu trainiert werden müsste.
Interne Tools
- Kundendienstmitarbeiter, die während eines Live-Chats Richtlinien und frühere Lösungen durchsuchen.
- Merchandiser, die fragen, welchen Produkten Größentabellen oder Pflegehinweise fehlen.
- Onboarding neuer Mitarbeiter mit Antworten aus internen Prozessdokumenten.
- Einkäufer, die Lieferantenspezifikationen über Hunderte von PDFs hinweg abfragen.
Content-Support
Autoren können Entwürfe für Produktvergleiche oder Kaufratgeber erstellen, die auf tatsächlichen Produktattributen basieren, was erfundene Spezifikationen reduziert. Ein Redakteur prüft immer noch jede Behauptung, aber der Ausgangspunkt ist in Daten verankert.
Was führt dazu, dass ein RAG-System schlecht antwortet?
Die meisten RAG-Fehler sind Abruffehler. Wenn die richtige Passage nicht gefunden wird, antwortet das Modell entweder vage oder füllt Lücken mit Allgemeinwissen. Häufige Ursachen sind schlechtes Chunking, veraltete Indizes und Produktdaten, denen die Details fehlen, nach denen Kunden fragen.
- Veralteter Index: Preise oder Lagerbestände haben sich geändert, aber der Index wurde nicht aktualisiert.
- Fehlende Daten: Attribute wie Passform, Material oder Kompatibilität fehlen im Feed.
- Schlechtes Chunking: Eine Richtlinientabelle, die über Abschnitte hinweg aufgeteilt ist, verliert ihre Bedeutung.
- Synonymlücken: Kunden sagen “Turnschuhe”, Produktdaten sagen “Sneaker”.
- Keine Ablehnungsregel: Das Modell antwortet, auch wenn der Abruf nichts Relevantes gefunden hat.
Hybride Suche, die Stichwort- und Vektorsuche kombiniert, behebt viele Probleme mit Synonymen und Produktcodes. Eine klare Anweisung, “Ich habe diese Information nicht” zu sagen, wenn Quellen fehlen, verhindert die meisten erfundenen Antworten.
Wie testet man einen RAG-Assistenten vor dem Start?
- Sammeln Sie 100 echte Kundenfragen aus Chat-Protokollen und E-Mails.
- Schreiben Sie für jede die richtige Antwort und die Quellseite.
- Abruf messen: Hat das System die richtige Quelle in seinen Top-Ergebnissen gefunden?
- Antworten messen: korrekt, teilweise korrekt, falsch oder angemessen abgelehnt.
- Tricky Fälle einbeziehen: nicht vorrätige Artikel, eingestellte Produkte, andere Sprachen.
- Nach jeder größeren Katalog- oder Richtlinienänderung erneut testen.
Trennen Sie die beiden Ergebnisse. Wenn der Abruf gut ist, aber die Antworten falsch sind, korrigieren Sie den Prompt oder das Modell. Wenn der Abruf schlecht ist, hilft kein Prompt; korrigieren Sie die Daten und den Index.
Sprache verdient eine eigene Testrunde. Ein Geschäft, das auf Türkisch und Englisch verkauft, sollte prüfen, ob eine türkische Frage englischsprachige Produktdaten korrekt abruft, oder besser, ob Schlüsselattribute in beiden Sprachen vorhanden sind. Embedding-Modelle unterscheiden sich in der Mehrsprachigkeitsqualität, und ein System, das auf Englisch gut abschneidet, kann stillschweigend die Hälfte der türkischen Fragen verfehlen.
Was ist mit Datenschutz und Sicherheit?
Halten Sie persönliche Kundendaten aus dem gemeinsamen Index heraus. Bestellabfragen sollten über einen sicheren, authentifizierten API-Aufruf erfolgen, nicht über Dokumente, die in einer Vektordatenbank gespeichert sind. Achten Sie auch auf Prompt Injection: Wenn Produktbewertungen oder Lieferantendokumente indexiert sind, könnte Text darin versuchen, das Modell anzuweisen. Behandeln Sie indexierte benutzergenerierte Inhalte als nicht vertrauenswürdig.
Wie Alien Road RAG für E-Commerce-Kunden anwendet
Ein typisches Engagement beginnt mit einem Fragen-Audit: Wir ziehen mehrere Monate an Chat- und E-Mail-Fragen, gruppieren sie nach Thema und prüfen, ob die Produktdaten und Richtlinienseiten des Kunden die Antworten tatsächlich enthalten. Die hier gefundenen Lücken sind oft wichtiger als jede Technologiewahl, da fehlende Passform- oder Kompatibilitätsdaten den Assistenten vom ersten Tag an blockieren.
Die Einrichtung verwendet normalerweise eine bestehende Plattform, die zum Stack des Kunden passt, mit hybrider Suche, einer Ablehnungsregel und einer geplanten Re-Indexierung, die an den Produktfeed gebunden ist. Wir erstellen das 100-Fragen-Testset mit dem Support-Team des Kunden. Die Messung verfolgt die Abrufgenauigkeit, Antwortgenauigkeit, Übergaberate an menschliche Agenten und Kundenzufriedenheit bei Bot-Gesprächen, monatlich berichtet mit Beispielen für fehlgeschlagene Antworten und den vorgenommenen Korrekturen.
Wo man diese Woche anfangen kann
Exportieren Sie 100 aktuelle Kundenfragen und finden Sie für jede die Seite auf Ihrer Website, die sie beantwortet. Markieren Sie diejenigen, für die es nirgendwo eine Antwort gibt.
- Sammeln Sie Fragen aus Chat, E-Mail und Marktplatz-Nachrichten.
- Ordnen Sie jede einer Quellseite zu oder markieren Sie sie als fehlend.
- Beheben Sie die fünf wichtigsten fehlenden Antworten auf der Website selbst.
- Prüfen Sie, ob Ihr Produktfeed die Attribute enthält, nach denen Kunden fragen.
Diese Übung verbessert Ihre Website sofort, und es ist genau das Testset, das ein RAG-System später benötigen wird.
Weiterlesen: KI-Optimierung · KI-Optimierung