RAG Tutorial: Retrieval-Augmented Generation von Grund auf#
Willkommen zu diesem umfassenden Tutorial über Retrieval-Augmented Generation (RAG)!
In diesem Tutorial lernst du, wie du ein RAG-System von Grund auf aufbaust, um Fragen basierend auf wissenschaftlichen Artikeln zu beantworten. RAG kombiniert die Stärken von Retrieval- und Generierungsmodellen und ist die Grundlage für Systeme wie PaperQA oder ScholarQA.
Was ist RAG?#
Retrieval-Augmented Generation (RAG) ist eine Technik, die:
Relevante Informationen aus einer Dokumentensammlung abruft (Retrieval)
Diese Informationen nutzt, um präzise Antworten zu generieren (Generation)
Quellen für die Antworten bereitstellt (Transparenz)
Was lernst du in diesem Tutorial?#
PDF-Dokumente einlesen und Text extrahieren
Text in Chunks aufteilen für effiziente Verarbeitung
Embeddings erstellen zur semantischen Suche
Vektorstore aufbauen für schnelle Abfragen
Retrieval implementieren um relevante Textabschnitte zu finden
Antworten generieren mit Sprachmodellen
Voraussetzungen#
Python 3.8 oder höher
Grundkenntnisse in Python
Ein OpenAI API-Key (oder anderer LLM-Provider)
PDF-Dokumente zum Testen
Zielgruppe#
Dieses Tutorial richtet sich an:
Studierende und Forschende, die RAG-Systeme verstehen möchten
Entwickler:innen, die eigene Frage-Antwort-Systeme bauen wollen
Alle, die lernen möchten, wie moderne AI-Systeme funktionieren
Setup-Optionen#
Du kannst dieses Tutorial auf verschiedene Weise durchführen:
Lokale Installation - Empfohlen für die vollständige Erfahrung
Google Colab - Schneller Einstieg ohne lokale Installation
Autoren#
Dieses Tutorial wurde von Mara Schilling-Wilhelmi und Kevin Maik Jablonka vom LamaLab erstellt.
Lizenz#
Dieses Tutorial steht unter der MIT-Lizenz und kann frei verwendet und modifiziert werden.
Bereit loszulegen? Wähle deine bevorzugte Setup-Option und beginne mit dem Tutorial!