---
title: "Was ist Grounding bei LLMs? Antworten an Quellen binden"
description: "Grounding bindet die Antwort eines LLM an Quellen, die Sie liefern, etwa Dokumente, Suchergebnisse oder Datenbankzeilen, damit Aussagen prüfbar sind. Grenzen."
url: https://broadrouter.com/de/glossary/grounding/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/grounding/) (aktualisiert am 2026-11-14).

# Grounding (Quellenbindung)

Aktualisiert 2026-11-14

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](https://broadrouter.com/de/glossary/embeddings/) und oft eine [Vektordatenbank](https://broadrouter.com/de/glossary/vector-database/).

Ein minimaler gegroundeter Prompt:

```text
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](https://broadrouter.com/de/glossary/hallucination/) 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](https://broadrouter.com/de/glossary/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](https://broadrouter.com/de/glossary/context-window/) 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](https://broadrouter.com/de/blog/long-context-vs-rag/) vergleicht die Kosten beider Wege, und der [Leitfaden zu Rechnungen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/) 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.

## Siehe auch

-   [Halluzination (KI)](https://broadrouter.com/de/glossary/hallucination/) (Begriff)
-   [RAG (Retrieval-Augmented Generation)](https://broadrouter.com/de/glossary/rag/) (Begriff)
-   [Embeddings](https://broadrouter.com/de/glossary/embeddings/) (Begriff)
-   [Kontextfenster (Context Window)](https://broadrouter.com/de/glossary/context-window/) (Begriff)
-   [Vektordatenbank (vector database)](https://broadrouter.com/de/glossary/vector-database/) (Begriff)
-   [Lost in the Middle](https://broadrouter.com/de/glossary/lost-in-the-middle/) (Begriff)
-   [Arabische Rechnungen und Belege mit einem Vision-Modell auslesen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/) (Anleitung)
-   [Long Context vs. RAG: Wann 1M Tokens die Vektordatenbank ersetzen](https://broadrouter.com/de/blog/long-context-vs-rag/) (Artikel)
-   [RAG auf Arabisch: Normalisierung, Chunking und Retrieval, die wirken](https://broadrouter.com/de/blog/arabic-rag-search/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-grounding&utm_content=page-cta) ·

**Quellen**

-   [Google Cloud, Grounding-Überblick (Vertex AI)](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/grounding/overview)
-   [Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
-   [Anthropic, Halluzinationen reduzieren (wörtliche Zitate und Quellenangaben)](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [API-Referenz von BroadNet Inference, Modell-IDs und Kontext (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-grounding&utm_content=sources#models)
