Level 4 — Experte

Stell dir vor, du fragst eine KI etwas über dein Unternehmen – und sie erfindet die Antwort, weil sie deine internen Dokumente nicht kennt. Genau dieses Problem löst RAG(Retrieval Augmented Generation, zu Deutsch: „abrufgestützte Generierung“).

Das Prinzip ist elegant: Bevor die KI antwortet, durchsucht sie zuerst deineDaten – Dokumente, FAQs, Produktbeschreibungen, interne Wikis – und nutzt die relevanten Stellen als Kontext für ihre Antwort.

In der Praxis funktioniert RAG in drei Schritten: Deine Dokumente werden in kleine Abschnitte zerlegt und als mathematische Vektoren gespeichert (sogenannte Embeddings). Bei einer Frage wird diese ebenfalls in einen Vektor umgewandelt und die ähnlichsten Dokument-Abschnitte gefunden. Diese Abschnitte werden dann zusammen mit der Frage an die KI geschickt.

Der Schlüssel zu einem guten RAG-System ist die Wissensdatenbank. Hier speicherst du alles, was die KI wissen soll: Firmen-Dokumente, Produktkataloge, FAQs, Handbücher, Meeting-Notizen oder Kundenfeedback.

Dafür brauchst du eine Vektor-Datenbank – eine spezielle Datenbank, die nicht nach exakten Wörtern sucht, sondern nach Bedeutung. Das Konzept dahinter heißt Embeddings: Jeder Text wird in einen mathematischen Vektor (eine Liste von Zahlen) umgewandelt, der seine Bedeutung repräsentiert. Ähnliche Texte haben ähnliche Vektoren.

Der typische Workflow: Dokumente hochladen, in Abschnitte teilen (Chunking), Embeddings erzeugen (z.B. mit OpenAIs Embedding-Modellen oder Voyage AI) und in der Vektor-Datenbank speichern. Bei einer Anfrage werden die relevantesten Abschnitte abgerufen und der KI als Kontext mitgegeben.

MCP(Model Context Protocol) ist ein offener Standard, der von Anthropic entwickelt wurde und definiert, wie KI-Modelle mit externen Tools und Datenquellen kommunizieren. Stell dir MCP als „USB für KI“ vor: Ein einheitlicher Anschluss, über den die KI auf beliebige Werkzeuge zugreifen kann.

Vor MCP musste jedes Tool seine eigene Integration bauen. Mit MCP gibt es einen Standard – einmal implementiert, funktioniert es mit allen kompatiblen KI-Systemen. Seit 2025 hat sich MCP als der maßgebliche Standard durchgesetzt, und immer mehr Tools und Plattformen unterstützen ihn.

Das Besondere: Die KI entscheidet selbst, welches Tool sie wann einsetzt. Du sagst „Erstelle einen Bericht über unsere letzten Verkaufszahlen“, und die KI weiß, dass sie zuerst die Datenbank abfragen, dann die Zahlen analysieren und schließlich einen formatierten Bericht erstellen muss.

Ein MCP-Server ist ein kleines Programm, das zwischen der KI und einem externen Dienst vermittelt. Er stellt „Tools“ bereit, die die KI nutzen kann. Die Einrichtung ist einfacher als du denkst:

Am häufigsten wird MCP mit Claude (Desktop-App oder Claude Code) eingesetzt. In der Konfigurationsdatei listest du einfach deine MCP-Server auf, und Claude kann deren Tools automatisch nutzen. Die Konfiguration ist eine simple JSON-Datei.

Du kennst die Basics des Promptings aus den vorherigen Levels. Jetzt geht es um Techniken, die professionelle Ergebnisse liefern – reproduzierbar und konsistent.

Tipp: Kombiniere diese Techniken. Ein System-Prompt mit Rollendefiniton plus Few-Shot-Beispiele plus strukturierte Ausgabe ergibt konsistente, hochwertige Ergebnisse – jedes Mal.

Wann welchen Ansatz wählen? Diese Frage ist entscheidend, und die Antwort hängt von deinem konkreten Anwendungsfall ab. Hier ein Überblick:

Faustregeln: Starte immer mit Prompting. Wenn die Kontextlänge nicht reicht oder du große Dokumentenmengen hast: RAG. Fine-Tuning nur, wenn du einen sehr spezifischen Stil oder Fachsprache brauchst und die anderen Ansätze nicht ausreichen.

Wenn du eigene KI-Systeme baust, trägst du Verantwortung für die Daten, die du verarbeitest. Besonders in Deutschland und der EU gelten strenge Regeln – und das ist gut so.

Wichtig: Sende niemals sensible Daten (Passwörter, Kreditkartennummern, Gesundheitsdaten) an KI-APIs, ohne vorher zu prüfen, ob der Anbieter diese Daten für Training verwendet. Die meisten Anbieter tun das bei API-Nutzung nicht – aber prüfe es.