Architektur eines wissenschaftlichen KI-Agenten: RAG, Embeddings und zuverlässige Quellen

RAG: Das Herzstück der Architektur eines wissenschaftlichen KI-Agenten

Retrieval-Augmented Generation (RAG) stellt einen paradigmatischen Bruch mit traditionellen Sprachmodellen dar. Anstatt sich ausschließlich auf die während des anfänglichen Trainings erlernten Parameter zu verlassen (die in einem so dynamischen Bereich wie der wissenschaftlichen Forschung schnell veralten), lagert RAG das Wissen in lebenden Datenbanken aus, die ständig mit den neuesten Veröffentlichungen aktualisiert werden.

Der RAG-Prozess (Charlie) von läuft in drei verschiedenen Phasen ab. Phase 1: Retrieval (Abruf) – Wenn Sie eine Frage stellen, analysiert der Agent Ihre Absicht, wandelt die Frage in optimierte Suchanfragen um und fragt gleichzeitig PubMed, PMC, GEO und Espacenet ab, um die relevantesten Dokumente abzurufen. In diesem Schritt werden semantische Einbettungen verwendet, um nicht nur offensichtliche lexikalische Übereinstimmungen, sondern auch konzeptionell verwandte Veröffentlichungen zu finden.

Phase 2: Erweiterung – Die abgerufenen Dokumente werden vorverarbeitet, nach Qualität gefiltert und ihre wichtigsten Informationen werden extrahiert: Hauptergebnisse, Methoden, Schlussfolgerungen, Einschränkungen. Diese Informationen werden dann in den Kontext der Sprachmodellgenerierung integriert und erweitern so dessen Wissen um überprüfbare und aktuelle Fakten. Diese vorübergehende Erweiterung ist spezifisch für Ihre Frage und bleibt nach dem laufenden Austausch nicht bestehen.

Phase 3: Generierung (Generation) – Das Sprachmodell fasst die abgerufenen Informationen zu einer kohärenten und strukturierten Antwort zusammen, die Ihrem Kenntnisstand und Ihrem Suchkontext entspricht. Entscheidender Unterschied: Die Generierung ist durch die abgerufenen Quellen begrenzt. Wenn eine Information nicht in den gefundenen Dokumenten enthalten ist, wird sie von Charlie nicht erfunden. Jede Aussage ist mit einem genauen Verweis (DOI, PMID, Patentnummer) auf ihre ursprüngliche Quelle zurückverfolgbar.

„Was bei Charlie beeindruckt, ist die Rückverfolgbarkeit. Im Gegensatz zu ChatGPT, das nicht existierende Referenzen generieren kann, verweist jede Aussage von Charlie auf eine tatsächliche Veröffentlichung, die ich überprüfen kann. Diese RAG-Architektur verwandelt KI von einem Risiko für die wissenschaftliche Integrität in einen zuverlässigen Beschleuniger für die Forschung.“ – Dr. Sophie Chen, Datenmanagerin, INSERM

Semantische Einbettungen: Wissenschaftliche Sprache tiefgreifend verstehen

Embeddings (Vektordarstellungen) sind die Technologie, die es Charlie ermöglicht, die Bedeutung wissenschaftlicher Konzepte zu „verstehen“, anstatt nur Zeichenfolgen zu vergleichen. Technisch gesehen wandelt ein Embedding einen Text (Wort, Satz, Absatz oder ganzes Dokument) in einen hochdimensionalen Zahlenvektor (typischerweise 768 oder 1536 Dimensionen) um, wobei semantisch ähnliche Texte in diesem Vektorraum mathematisch nahe beieinander liegen.

Für die wissenschaftliche Forschung ist diese Fähigkeit von entscheidender Bedeutung, da ein und dasselbe Konzept auf Dutzende verschiedene Arten ausgedrückt werden kann. So stehen beispielsweise „CRISPR-Cas9”, „CRISPR-Genom-Editierung”, „CRISPR/Cas9-System”, „RNA-gesteuerte Cas9-Nuklease” und „CRISPR-basierte Gen-Editierung” im Wesentlichen für dasselbe Konzept. Hochwertige Einbettungen platzieren alle diese Begriffe im gleichen Bereich des Vektorraums, sodass „Charlie” sie als gleichwertig erkennt, auch wenn die genauen Wörter unterschiedlich sind.

Charlie verwendet speziell auf die Biomedizin zugeschnittene Einbettungsmodelle, die anhand von Millionen von Publikationen trainiert wurden PubMed. Diese Modelle erfassen nicht nur offensichtliche Synonyme, sondern auch komplexe konzeptionelle Beziehungen: Protein-Gen-Beziehungen, Wechselwirkungen zwischen Medikamenten und Zielmolekülen, Assoziationen zwischen Krankheiten und Symptomen, taxonomische Hierarchien, Ursache-Wirkungs-Beziehungen und methodische Nuancen. Dieses tiefgreifende Verständnis ermöglicht weitaus ausgefeiltere Suchanfragen als einfache Stichwortübereinstimmungen.

Die Qualität der Embeddings bestimmt direkt die Qualität der Ergebnisse. Ein schlecht trainiertes Embedding könnte „p53-Mutation” und „p53-Expression” verwechseln oder den Zusammenhang zwischen „Anti-PD-1-Immuntherapie” und „Checkpoint-Inhibitor-Therapie” übersehen. Aus diesem Grund investiert Charlie massiv in hochmoderne Einbettungsmodelle, die ständig anhand der neuesten Literatur neu trainiert werden, um die Entwicklung der wissenschaftlichen Sprache und das Aufkommen neuer Konzepte zu erfassen.

Architektonische Unterschiede: KI-Agent vs. generisches LLM

Es ist wichtig zu verstehen, was „Charlie” architektonisch von einem generischen ChatGPT oder Claude unterscheidet. Ein generisches LLM arbeitet im „Closed-Book”-Modus: Es antwortet ausschließlich auf der Grundlage seiner internen Parameter, die es während des anfänglichen Trainings gelernt hat. Diese Parameter legen das Wissen zum Zeitpunkt des Trainingsabschlusses fest (in der Regel 6–12 Monate vor der Bereitstellung). Alle späteren Veröffentlichungen sind für das Modell unsichtbar, was in einem so dynamischen Bereich wie der biomedizinischen Forschung ein großes Problem darstellt.

Ein KI-Agent mit RAG-Architektur wie Charlie arbeitet im „Open-Book”-Modus: Er greift zum Zeitpunkt der Anfrage dynamisch auf externe Datenbanken zu und ruft die neuesten Veröffentlichungen ab (die wenige Stunden zuvor auf PubMed hinzugefügt wurden). Diese permanente Aktualität ist für ein klassisches LLM unmöglich. Darüber hinaus beseitigt RAG das Problem der Halluzinationen weitgehend: Da die Generierung durch die tatsächlich abgerufenen Quellen begrenzt ist, kann der Agent keine Fakten erfinden, die in der Literatur nicht vorhanden sind.

Die Rückverfolgbarkeit ist ein weiterer grundlegender architektonischer Unterschied. Ein generischer LLM generiert Text, ohne überprüfbare Quellen zitieren zu können (oder schlimmer noch, erfindet Referenzen, die plausibel erscheinen, aber nicht existieren). Charlie hält dank RAG eine explizite Verbindung zwischen jeder bereitgestellten Information und dem Quelldokument, aus dem sie stammt, aufrecht. Diese Rückverfolgbarkeit ist keine nachträglich hinzugefügte Funktion, sondern eine intrinsische Eigenschaft der RAG-Architektur.

Schließlich ist die fachliche Spezialisierung in der Architektur verankert. Charlie verwendet Einbettungen, die auf PubMed trainiert wurden, für die biomedizinische Sprache optimierte Prompts, für die wissenschaftliche Methodik kalibrierte Filter und eine strukturierte Wissensbasis (Ontologien, Taxonomien, biomedizinische Wissensgraphen). Diese mehrstufige Spezialisierung führt zu einer Expertise, die weit über die eines generalistischen Modells hinausgeht, das mit einigen wissenschaftlichen Prompts „bestreut” ist.