LearnRAG Workshop – Mastering Retrieval-Augmented Generation (MRAG)

Kursinhalt

Tag 1: Einführung & erste Schritte mit RAG

Session 1: Grundlagen von Retrieval-Augmented Generation (RAG)

• Was ist RAG und warum ist es wichtig?
• Herausforderungen beim Aufbau effektiver Retrieval-Pipelines
• Überblick über bestehende RAG-Implementierungen

Session 2: Einrichtung von LearnRAG

• Installation & Einrichtung (100% lokal, kein Internet erforderlich)
• LearnRAG starten und die bestehende Retrieval-Pipeline untersuchen
• Der RAG-Workflow: Dokumentenerfassung → Retrieval → Generierung

Session 3: Dokumentenverarbeitung & Chunking

• Warum ist die Vorverarbeitung von Dokumenten entscheidend?
• Verschiedene Chunking-Strategien (Semantisches vs. festes Chunking)
• Praxisübung: Optimierung der Textzerlegung in LearnRAG

Session 4: Hybride Retrieval-Methoden – Ein erster Blick

• Überblick über BM25, FAISS & Graph-basiertes Retrieval
• Praxisübung: Vergleich von Retrieval-Strategien in LearnRAG

Tag 2: Verbesserung von Retrieval & Kontextverständnis

Session 5: Query Expansion & Neural Reranking

• Wie HyDE (Hypothetical Document Expansion) die Recall-Rate verbessert
• Die Rolle von Neural Rerankers für präzisere Ergebnisse
• Praxisübung: Feintuning von HyDE & Neural Reranking in LearnRAG

Session 6: Graph-basiertes Retrieval mit GraphRAG

• Aufbau eines Knowledge Graphs aus Dokumenten
• Wie GraphRAG das kontextuelle Retrieval verbessert
• Praxisübung: Optimierung von GraphRAG für bessere Antworten

Session 7: Kontextbewusstes Retrieval in RAG-Pipelines

• Chat-Speicher & Langzeitkontext für verbesserte Antworten
• Experimentieren mit Langzeit-Nutzerinteraktionen
• Praxisübung: Retrieval-Anpassung für Chat-History-Awareness

Session 8: Performance-Optimierung in RAG

• Identifizierung von Flaschenhälsen in Retrieval-Geschwindigkeit
• Praxisübung: Performance-Analyse & Optimierung in LearnRAG

Tag 3: Fortgeschrittene Retrieval-Techniken & Agentic Retrieval

Session 9: Erweiterte hybride Retrieval-Strategien

• Über BM25 & FAISS hinaus: Alternative Indexierungsstrategien
• Dynamisches Reranking und Gewichtung von Retrieval-Methoden
• Praxisübung: Adaptive Retrieval-Systeme in LearnRAG entwickeln

Session 10: Multi-Step Retrieval & Agentic Approaches

• Zero-Shot und Multi-Step Retrieval-Modelle
• Wann sollte ein LLM weitere Informationen anfordern statt zu raten?
• Praxisübung: Implementierung eines Agentic Retrieval-Ansatzes

Session 11: Benchmarking & Fehleranalyse in Retrieval-Pipelines

• Best Practices zur Evaluierung von RAG-Pipelines
• Echte Test-Szenarien & Debugging von Retrieval-Fehlern
• Praxisübung: Erstellung von Performance-Benchmarks für LearnRAG

Session 12: Abschlussdiskussion & nächste Schritte

• Was haben wir gelernt & wie kann man das Wissen anwenden?
• Ideen für weitere Verbesserungen
• Offene Q&A-Runde & Networking

Zielgruppe

• Entwickler & Ingenieure, die mit KI-Retrieval-Systemen arbeiten
• Data Scientists, die Such- & Retrieval-Pipelines optimieren möchten
• KI-Enthusiasten, die praktische RAG-Anwendungen erkunden möchten