RAG

Compare the Markets Engineering Team veröffentlichte am 6. März 2026 eine Bewertung von vier Ansätzen zum Context-Retrieval für die KI-gestützte Codeüberprüfung, getestet an 79 realen Merge Requests und gemessen mit MLflow auf Databricks. RAG, das Code in Chunks zerlegt, einbettet und anhand semantischer Ähnlichkeit abruft, schnitt bei fast jeder Metrik schlechter ab als die Baseline ohne Kontext, und das bei dreifachen Kosten. GKG, der auf Tree-sitter-ASTs aufgebaute GitLab Knowledge Graph, übertraf es bei der Abdeckung von Inline-Kommentaren um 21 Prozent, 0,696 gegenüber 0,577. Die Erklärung des Teams ist struktureller Natur: Um Code zu überprüfen, muss man wissen, wer eine Funktion aufruft, während semantische Ähnlichkeit lediglich Code liefert, der ähnlich aussieht. Die Folgen waren Rauschen, Fehlalarme, Blindheit gegenüber Beziehungen zwischen Dateien und Ablenkung des Modells.

Ein Artikel vom Oktober 2025 vertritt eine andere These. RAG existierte, um kleine Context Windows zu umgehen; diese wuchsen von 8.000 Tokens auf mittlerweile Millionen, sodass fünf Kostenfaktoren heute nichts mehr bringen: Chunking verliert Bedeutung, Embeddings lassen semantischen Reichtum außer Acht, hybride Suche erhöht die Komplexität, Reranking erhöht die Latenz, und die Infrastruktur muss gewartet werden. Claude Code wird als alternative Form genannt: direkte, kontextreiche Suche ohne Retrieval-Maschinerie. Das Urteil dort lautet, dass RAG nur ein vorübergehender Umweg war.

Leonie Monigatti zeichnet eine Entwicklungslinie nach. Vanilla RAG fragte, wie man abruft, Agentic RAG fragt, ob man überhaupt abrufen soll, und Agent Memory fügt einen Schreibpfad hinzu. Ashish Singh stellt RAG einem Enterprise Knowledge Fabric aus Knowledge Graphs und hybrider Suche gegenüber. Was es ersetzen wird, ist noch offen.