Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Grounding

Grounding (Verankerung) bedeutet, die Antwort eines Sprachmodells an konkrete, überprüfbare Quellen wie Suchergebnisse, Dokumente oder eine Datenbank zu binden, sodass seine Aussagen auf bereitgestellten Belegen beruhen und nicht nur auf Trainingsdaten.

Auch: grounded generation

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Ein Modell allein antwortet aus Mustern, die es im Training gelernt hat. Dieses Wissen endet an einem Wissensstichtag und kann falsch oder erfunden sein. Grounding gibt dem Modell zum Antwortzeitpunkt relevantes Quellenmaterial und verlangt, dass es seine Antwort darauf stützt, oft mit Quellenangaben.

Warum es wichtig ist

Die Dokumentation von Google Cloud definiert Grounding als die Fähigkeit, Modellausgaben mit überprüfbaren Quellen zu verbinden, und nennt weniger Halluzinationen und Nachprüfbarkeit als Vorteile. Für Entwickler ist Grounding das, was es einem Nutzer erlaubt, durchzuklicken und zu prüfen, woher eine Aussage stammt.

Wie es gemacht wird

- Websuche: Die Anwendung führt eine Suche aus und gibt die Ergebnisse an das Modell weiter. - Eigene Daten: Passagen werden aus einer Wissensdatenbank oder Vektordatenbank geholt, wie bei Retrieval-Augmented Generation. - Strukturierte Quellen: Eine Datenbankabfrage oder ein API-Aufruf liefert exakte Zahlen.

Der Prompt weist das Modell dann an, nur aus den bereitgestellten Quellen zu antworten und zu sagen, wenn diese die Antwort nicht enthalten.

Der Unterschied zu RAG

RAG ist ein Weg, ein Modell zu verankern: abrufen, dann generieren. Grounding ist das breitere Ziel, Ausgaben auf Belege zurückführbar zu machen, egal mit welcher Retrieval-Methode.

Grenzen

Grounding verringert Fehler, beseitigt sie aber nicht. Liefert das Retrieval die falsche Passage, wiederholt das Modell sie womöglich getreu. Modelle können auch bereitgestellte Fakten mit eigenen Annahmen vermischen oder eine Quelle zitieren, die nicht sagt, was die Antwort behauptet. Quellenangaben zu prüfen und Antworten gegen ein Golden Dataset zu testen, hilft, beides zu erkennen.

Verwandte Begriffe

Retrieval-Augmented Generation
Retrieval-Augmented Generation (RAG, abrufgestützte Generierung) ist ein Muster, bei dem ein System zuerst eine Dokumentensammlung nach Passagen durchsucht, die für eine Frage relevant sind, und diese Passagen dann einem Sprachmodell gibt, damit seine Antwort darauf aufbaut.
Halluzination (KI)
Eine Halluzination (Hallucination) ist eine Ausgabe eines KI-Modells, die flüssig und selbstsicher klingt, aber falsch, nicht durch die Quellen gedeckt oder erfunden ist, etwa eine erfundene Quellenangabe, ein Zitat, eine Statistik oder eine API-Funktion.
Wissensdatenbank (KI)
In KI-Apps ist eine Wissensdatenbank (Knowledge Base) die Sammlung von Dokumenten und Daten, die ein Assistent oder Agent durchsucht, um Fragen zu beantworten, etwa Hilfeartikel, Richtlinien oder Produktdokumentation, getrennt vom Modell selbst.
Wissensstichtag
Der Wissensstichtag (Knowledge Cutoff) ist das Datum, nach dem ein Modell kaum oder keine Informationen hat, weil seine Trainingsdaten etwa bis dahin gesammelt wurden. Spätere Ereignisse sind ihm unbekannt, sofern sie nicht im Prompt stehen.
KI-Suchmaschine
Eine KI-Suchmaschine (AI Search Engine) ist ein Suchdienst, der zu einer Anfrage Websuchen ausführt, die Ergebnisse mit einem Sprachmodell liest und eine geschriebene Antwort mit Links zu ihren Quellen liefert, statt nur einer Liste von Links.

Quellen