Vector Databases und Retrieval-Augmented Generation
Teil des Prompt Engineering-Kurses
In Lektion 2 hast du gesehen, warum ein Modell halluziniert: Es sagt wahrscheinliche nächste Token voraus, es schlägt keine Fakten nach, und alles außerhalb seines Trainings oder seines Kontextfensters ist geraten. In Lektion 5 hast du gelernt, eine Prompt-Vorlage vor dem Absenden mit Daten zu füllen.
Ein Modell kennt nur zwei Dinge: was es beim Training aufgenommen hat, und was du gerade jetzt in den Prompt schreibst. Es sieht weder euer Firmen-Wiki noch die Support-Tickets der letzten Woche noch ein PDF auf deiner Festplatte. Frag es nach irgendetwas davon, und es produziert flüssigen, selbstsicheren, falschen Text. Das ist das Halluzinationsproblem aus Lektion 2. ...
Möchtest du Prompt Engineering Vector Databases und Retrieval-Augmented Generation in einer echten Umgebung lernen?
Klick unten, hol dir eine Linux-Maschine mit fertigem Prompt Engineering und arbeite Vector Databases und Retrieval-Augmented Generation praktisch durch, mit einem KI-Tutor, der deinen Code kennt.
Lektion startenVector Databases und Retrieval-Augmented GenerationWas du lernen wirst
- Embeddings and vector similarity
- Chunking documents
- Vector databases and nearest-neighbor search
- Retrieval-augmented generation
- Grounding answers with citations
Lies diese Lektion in deiner Sprache
Alle Lektionen in diesem Kurs
11 Lektionen- 1Was ein Prompt ist20 Min.
- 2Wie große Sprachmodelle Text erzeugen30 Min.
- 3Die fünf Prinzipien des Prompting30 Min.
- 4Standardpraktiken für die Textgenerierung35 Min.
- 5Prompt Templates und Function Calling35 Min.
- 6Vector Databases und Retrieval-Augmented Generation40 Min.
- 7Autonome Agents: memory und tools40 Min.
- 8Wie Diffusion Models Bilder erzeugen30 Min.
- 9Standardpraktiken für die Bildgenerierung35 Min.
- 10Fortgeschrittene Bildtechniken: Inpainting, Outpainting und ControlNet35 Min.
- 11KI-gestützte Anwendungen bauen40 Min.
Weitere Kurse ansehen
