BroadRouter
Loslegen

Grounding (Quellenbindung)

Aktualisiert

Grounding bedeutet, den Output eines Sprachmodells an bestimmte, überprüfbare Informationsquellen zu binden, etwa mitgelieferte Dokumente, Suchergebnisse oder Datenbankeinträge, und es anzuweisen, daraus zu antworten. Gegroundete Antworten lassen sich auf eine Quelle zurückführen und enthalten seltener erfundene Fakten.

Auch genannt: Grounding, Quellenbindung, Quellenverankerung, Fundierung, faktenbasierte Antworten, grounded generation, source grounding, grounded answers

Ein Modell ohne Grounding antwortet aus dem Gedächtnis. Ein gegroundetes Modell antwortet aus dem Text, der vor ihm liegt.

So funktioniert es

Die Vertex-AI-Dokumentation von Google definiert Grounding als „the ability to connect model output to verifiable sources of information“ (Übersetzung: „die Fähigkeit, Modell-Output mit überprüfbaren Informationsquellen zu verbinden“). Die Quelle kann eine Websuche sein, Ihre eigenen Dokumente, ein Kartendienst oder eine Datenbank. Unabhängig von der Quelle hat das Muster drei Teile:

  1. Belege beschaffen für die Frage: abgerufene Passagen, eine ganze Datei, das Bild einer Rechnung, Zeilen aus SQL.
  2. In den Prompt setzen, mit der Anweisung, nur daraus zu antworten.
  3. Die Antwort prüfbar machen mit Zitaten, Quellenmarkern oder Links zurück zur Quelle.

Retrieval-Augmented Generation ist die bekannteste Methode. Lewis und Kollegen kombinierten einen Generator mit einem „dense vector index of Wikipedia“ (Übersetzung: „dichten Vektorindex der Wikipedia“), den ein neuronaler Retriever abfragt, und berichteten Antworten, die spezifischer und faktentreuer waren als die eines Modells, das nur aus seinen Parametern schöpft. Für den Aufbau dieses Index braucht es Embeddings und oft eine Vektordatenbank.

Ein minimaler gegroundeter Prompt:

Answer using only the policy below. Quote the sentence that supports your answer.
If the policy does not answer the question, reply "Not in the policy."

<policy>Refunds are available within 14 days of purchase.</policy>

Question: Can I get a refund after three weeks?

Eine gegroundete Antwort sagt Nein und zitiert den Satz mit den 14 Tagen. Ein Modell ohne Grounding könnte eine plausibel klingende 30-Tage-Regel erraten.

Für lange Inputs schlägt Anthropic einen Zitat-zuerst-Schritt vor: Bei Dokumenten mit mehr als 20.000 Tokens lässt man das Modell zuerst wörtliche Zitate herausziehen und dann nur aus diesen Zitaten antworten.

Warum es wichtig ist

  • Weniger erfundene Fakten. Google nennt weniger Halluzinationen als zentralen Vorteil. Grounding ist das direkteste Mittel gegen Halluzinationen zu Ihren eigenen Daten.
  • Aktuelle Informationen. Modellgewichte sind zum Trainingszeitpunkt eingefroren. Gegroundete Quellen können sich täglich ändern, ohne neues Training.
  • Nachprüfbarkeit. Eine Aussage mit Zitat kann ein Mensch oder Code prüfen.
  • Kostenabwägung. Belege sind Input-Tokens. Fünf Passagen abzurufen ist günstiger, als ein ganzes Handbuch zu senden, kann aber genau die entscheidende Passage verfehlen. Sehr lange Prompts riskieren außerdem schlechtere Erinnerung durch Lost in the Middle.

Bei BroadNet Inference

Die Dokumentation von BroadNet nennt keinen Embeddings-Endpunkt, kein Suchtool und keine Zitierfunktion; das Retrieval läuft also in Ihrem Code. Was die API Ihnen bietet, ist Platz für Belege: ein Kontextfenster von 1.048.576 Tokens bei DeepSeek V4.1 Flash und GLM 5.3, 262.144 bei Qwen3.8 27B und Bild-Input bei den Modellen, deren Dokumentationseintrag Bilder oder Vision nennt. Damit ist „das ganze Dokument einfügen“ eine echte Option; langer Kontext vs. RAG vergleicht die Kosten beider Wege, und der Leitfaden zu Rechnungen bindet die Extraktion an ein gescanntes Bild.

Häufige Fragen

Ist Grounding dasselbe wie RAG?

RAG ist ein Weg zum Grounding. Es ruft Passagen ab und fügt sie dem Prompt hinzu. Grounding gelingt auch, indem Sie ein ganzes Dokument einfügen, ein Bild anhängen oder Live-Suchergebnisse oder Datenbankergebnisse ergänzen.

Garantiert Grounding eine richtige Antwort?

Nein. Das Modell kann die Quelle trotzdem falsch lesen oder ignorieren. Verlangen Sie Zitate oder Quellenangaben und prüfen Sie, ob jede davon in der Quelle steht.

Wie bringe ich ein LLM dazu, nur aus meinen Dokumenten zu antworten?

Liefern Sie die Dokumente mit, weisen Sie das Modell an, nur diese zu nutzen, erlauben Sie ihm zu sagen, dass die Antwort dort nicht steht, und verlangen Sie für jede Aussage ein Zitat.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen