RAG (Retrieval-Augmented Generation) ist ein Verfahren, bei dem ein Large Language Model seine Antworten auf Basis vorab abgerufener Dokumente generiert. Der typische Ablauf: Eine Frage wird zunächst als Embedding kodiert, eine Vektordatenbank liefert die ähnlichsten Textstellen, und das LLM formuliert seine Antwort auf Basis dieses Kontextes.
Vorteile sind erhöhte Faktentreue, Aktualität und Nachvollziehbarkeit – das Modell stützt seine Antworten auf belegbare Quellen statt rein auf das Trainingswissen. Außerdem lassen sich vertrauliche oder fachspezifische Wissensbasen anbinden, ohne ein Modell von Grund auf neu zu trainieren.
Im Recruiting wird RAG eingesetzt, um Antworten in HR-Chatbots auf konkrete Unternehmensrichtlinien zu stützen, Stellenausschreibungen mit aktuellen Tarifinformationen zu ergänzen oder Kandidatenanfragen zu Gehaltsstrukturen sauber zu beantworten. Auch interne Wissensportale großer Behörden nutzen RAG zunehmend.
Lunigi verwendet RAG-ähnliche Verfahren, um aktuelle Stellen, Unternehmensinformationen und Tarifdaten in die Bewertungen einfließen zu lassen – das Ergebnis ist eine fundierte, individuelle Job-E-Mail.