Contextual Retrieval

Contextual retrieval ist eine Vorverarbeitungstechnik, die retrieval-augmented generation (RAG) verbessert, indem jedem Daten-Chunk vor der Indizierung eine kurze, dokumentspezifische Erklärung hinzugefügt wird. Sie wurde im Contextual-Retrieval-Leitfaden 2024 von Anthropic vorgestellt und hilft Suchsystemen zu verstehen, wohin eine ansonsten mehrdeutige Textpassage gehört, wodurch die Evidenz für ein großes Sprachmodell verbessert wird. (anthropic.com)

Link to this sectionWie Contextual Retrieval funktioniert#

Standard-RAG unterteilt Dokumente in Chunks und wandelt diese in Embeddings um. Ein Chunk wie „Umsatz um 3 % gestiegen“ lässt jedoch möglicherweise das Unternehmen, den Berichtszeitraum und den Dokumenttyp vermissen. Contextual Retrieval verwendet das vollständige Dokument, um vor der Indizierung des kombinierten Textes ein prägnantes Präfix zu generieren, wie etwa „Diese Passage beschreibt die Finanzergebnisse von ACME für das Q2 2025“.

Ein typischer Workflow umfasst:

1. Semantic Chunking: Dokumente in kohärente Passagen unterteilen, die in die Grenzen von Retrieval und Modell passen. Der Hauptzweck des Chunking besteht darin, große Quellen durchsuchbar zu machen, ohne das Kontextfenster des Modells zu überschreiten.
2. Kontextgenerierung: Ein Modell verwenden, um die Beziehung jedes Chunks zu seiner Quelle zusammenzufassen, gemäß einem Prozess wie dem Claude-Kochbuch für kontextbezogene Embeddings.
3. Hybrid Search: Kontextualisierte Chunks mit dichten Vektoren und lexikalischen Methoden wie dem BM25-Keyword-Ranking indizieren.
4. Reranking: Abgerufene Kandidaten mithilfe tiefgehender Abfrage-Chunk-Vergleiche neu anordnen, bevor die beste Evidenz an den Generator gesendet wird.

Anthropic berichtete, dass kontextbezogene Embeddings in Kombination mit kontextbezogenem BM25 seine Top-20-Retrieval-Fehlerrate um 49 % senkten, während das Hinzufügen von Reranking in Tests zu einer Reduzierung um 67 % führte. Die Ergebnisse variieren je nach Datensatz, sodass diese Zahlen eher als Benchmarks denn als Garantien betrachtet werden sollten. (anthropic.com)

Link to this sectionContextual Retrieval in Computer Vision#

Beim multimodalen RAG kann der Dokumentkontext erkannte Objekte, Bildunterschriften, Zeitstempel, Kamerastandorte oder umgebende Videoereignisse umfassen. Das folgende Beispiel verwendet Ultralytics YOLO26, um durchsuchbaren Kontext für ein Bild zu erstellen:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg")[0]
labels = [model.names[int(cls)] for cls in result.boxes.cls.tolist()]
context = f"Street-scene image containing: {', '.join(labels)}."
print(context)

Der generierte Text kann vor dem Einbetten einer Bildunterschrift oder einem Metadatensatz vorangestellt werden. Entwickler können zugehörige YOLO-Vorhersage-Workflows und die visuelle Ähnlichkeitssuche erkunden.

Link to this sectionPraxisanwendungen#

• Unternehmens- und Rechtssuche: Richtlinienassistenten bewahren Dokumentnamen, Daten, Abteilungen und Klauselbeziehungen und reduzieren so irreführende Antworten aus isolierten Passagen.
• Visuelle Wartungssysteme: Erkannte Maschinen, Defekttypen und Anlagenstandorte geben Bildern Kontext, bevor das System Reparaturhandbücher oder Inspektionsaufzeichnungen abruft.
• Personalisierte Bildung: Lernagenten können Schülerdialoge mit Aktivitätsprotokollen kombinieren, um Anleitungen abzurufen, die für die aktuelle Aufgabe des Lernenden relevant sind.

Link to this sectionVerwandte Techniken und Best Practices#

Contextual Retrieval unterscheidet sich von Context Engineering, das alle einem Modell zur Laufzeit bereitgestellten Informationen verwaltet. Es unterscheidet sich auch von der Forschung zu Late Chunking, bei der ein vollständiges Dokument eingebettet wird, bevor Token-Repräsentationen in Chunks gepoolt werden. Eine vergleichende Evaluierung aus dem Jahr 2025 ergab, dass Contextual Retrieval die semantische Kohärenz wirksam bewahrt, aber rechenintensiver ist. (arxiv.org)

Aktuelle Best Practices umfassen das Testen mehrerer Chunk-Größen, das Beibehalten von Quellmetadaten, das Kombinieren von dichtem und keywordbasiertem Retrieval sowie das Messen von Recall, Precision, Fundiertheit (Groundedness) und Antwortvollständigkeit mit dem RAG-Evaluierungsleitfaden von Microsoft. Neuere Forschungen wie SAGE präzises Retrieval bevorzugen semantische Segmentierung und dynamische Chunk-Auswahl, während ein Retrieval-Benchmark aus dem Jahr 2026 hybrides Retrieval und neuronales Reranking für komplexe Text- und Tabellendokumente unterstützt. Teams, die visuelle Wissenssysteme entwickeln, können die Ultralytics Platform verwenden, um Datensätze zu annotieren, Vision-Modelle zu trainieren, Endpunkte bereitzustellen und die Komponenten zu überwachen, die strukturierten visuellen Kontext liefern.