Translations:FACTS About Building Retrieval Augmented Generation-based Chatbots/7/de
Die Veröffentlichung von Chat-GPT, das Aufkommen von Vektordatenbanken und die weit verbreitete Nutzung von Retrieval Augmented Generation (RAGs) (8) markierten den Beginn einer neuen Ära im Chatbot-Bereich. Jetzt können LLMs Benutzerabsichten mit einfachen Eingabeaufforderungen in natürlicher Sprache verstehen, wodurch die Notwendigkeit für komplexes Training von Intent-Varianten entfällt, Unternehmensinhalte kohärent synthetisieren und Chatbots mit einer Gesprächsfähigkeit jenseits der skriptgesteuerten Intent-Erkennung ausstatten. Während LLMs ihre generativen Fähigkeiten nutzen, um kohärente, faktische und logische Antworten auf Benutzeranfragen zu konstruieren, erweitern informationsabrufende (IR) Systeme, die auf Vektordatenbanken basieren, die Fähigkeit von LLMs, aktuelle Inhalte abzurufen. Tools wie LangChain (1) und Llamaindex (9) erleichtern den Chatbot-Aufbau und die Orchestrierung komplexer Workflows, einschließlich Speicher, Agenten, Eingabeaufforderungsvorlagen und Gesamtfluss. Zusammen bilden auf Vektorsuche basierende IR-Systeme, LLMs und LangChain-ähnliche Frameworks die Kernkomponenten einer RAG-Pipeline und treiben generative KI-Chatbots in der Post-Chat-GPT-Ära an.