Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com19. Oktober 2026 · Q011171

20 RAG Projects That Will Actually Get You Hired

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der vollständige Bericht schlägt 20 RAG-Projekte in drei Schwierigkeitsstufen vor – von Dokumenten- und Notizsuche bis zu multimodalen Systemen und Evaluation. Für ein Portfolio empfiehlt er drei sorgfältig ausgearbeitete Projekte mit Demo, Code, Architektur und dokumentierten Grenzen; eine Anstellung garantiert der Artikel damit nicht.

Mittel

Der vollständige Bericht von Code Coup stellt 20 Projektideen vor, mit denen angehende KI-Entwicklerinnen und -entwickler RAG-Systeme praktisch erproben können. RAG soll relevante Informationen aus externen Quellen abrufen und Antworten daran ausrichten, statt sich allein auf das Sprachmodell zu verlassen. Die Projekte sind in fünf Einsteiger-, sechs mittlere und neun fortgeschrittene Vorhaben gegliedert: vom PDF-Chat und der semantischen Notizsuche über Code- und Vertragsassistenten bis zu multimodaler, mehrsprachiger oder laufend aktualisierter Suche und einem Evaluierungs-Dashboard.

Der Artikel hebt Quellenangaben, Zugriffskontrollen, den Umgang mit fehlenden Belegen und regelmäßige Qualitätsmessung hervor. Für medizinische Anwendungen verlangt er fachliche Prüfung und strenge Validierung; ein solches Projekt solle als Forschungsprototyp gelten. Auch die Ergebnisse eines Lebenslaufvergleichs seien keine definitive Eignungsbewertung.

Für ein Portfolio empfiehlt der Bericht je ein Projekt aus jeder Stufe, ergänzt um Live-Demo, Repository, Architekturdiagramm, Evaluation und technische Erläuterung. Diese Vorschläge sind Empfehlungen des Artikels; er belegt nicht, dass sie eine Anstellung garantieren.

Ausführlich lesen

Der vollständige Bericht von Code Coup erklärt, warum für eine Tätigkeit im KI-Engineering ein einfacher Chatbot als Projektportfolio oft nicht ausreicht. Entscheidend sei, Systeme zu bauen, die passende Informationen aus Dokumenten oder anderen Quellen finden, sie korrekt für Antworten nutzen und mit Unsicherheit umgehen. Retrieval-Augmented Generation (RAG) verbindet dafür Informationssuche mit der Antwortgenerierung durch ein Sprachmodell. Der Artikel veranschaulicht dies mit der Suche in Unternehmensunterlagen: Statt eine Richtlinie zu erraten, soll das System einschlägige Textstellen abrufen und eine daran belegte Antwort erstellen.

Der Bericht stellt 20 Projektideen in drei Schwierigkeitsstufen vor. Die fünf Einsteigerprojekte behandeln den grundlegenden Ablauf: Dokumente einlesen, in Abschnitte teilen, Einbettungen und Vektorsuche einsetzen und Antworten erzeugen. Beispiele sind ein Chat mit PDFs, ein Frage-Antwort-System für Lehrmaterial, eine semantische Suche in persönlichen Notizen, die Abfrage von Videotranskripten mit Zeitstempeln sowie der Vergleich eines Lebenslaufs mit einer Stellenausschreibung. Dabei betont der Artikel, dass Quellenangaben Antworten überprüfbar machen und dass semantische Ähnlichkeit keine endgültige Aussage über die Eignung einer Person erlaubt.

Die sechs Projekte der mittleren Stufe rücken praxisnähere Anforderungen in den Vordergrund: ein Kundendienst-Bot mit Rückfalloption, ein Assistent für fremde Codebasen, eine Suche nach Vertragsklauseln, eine Forschungsübersicht mit Belegen, ein interner HR-Assistent mit Zugriffskontrollen sowie eine Produktsuche nach Bedeutung und mit Filtern. Besonders bei Rechtstexten und internen Unterlagen hebt der Bericht Genauigkeit, Quellenbezug und Berechtigungen hervor. Das Rechtswerkzeug soll fachliche Prüfung unterstützen, aber keine qualifizierte Rechtsberatung ersetzen.

Die neun fortgeschrittenen Vorschläge decken unter anderem die Suche in Diagrammen und Tabellen, hybride Suche aus Stichworten und Vektoren mit nachgelagerter Rangordnung, agentische Recherche, Wissensgraphen, mehrsprachige Suche, medizinische Leitlinien, Finanzberichte, laufend aktualisierte Nachrichten oder Nachrichtenkanäle sowie ein Evaluierungs-Dashboard ab. Für Hochrisikobereiche fordert der Artikel besondere Zurückhaltung: Ein medizinischer Assistent sei zunächst als Forschungsprototyp zu behandeln und benötige fachliche Prüfung, gründliche Validierung und Datenschutzmaßnahmen. Bei Zahlen aus Finanzberichten empfiehlt der Text, strukturierte Daten zu extrahieren und Berechnungen mit Code auszuführen.

Als Vorgehen für ein Portfolio rät der Bericht, nicht alle 20 Ideen umzusetzen, sondern je ein Projekt aus jeder Stufe auszuwählen. Für jedes empfiehlt er eine zugängliche Live-Demo, ein verständliches Code-Repository, ein Architekturdiagramm, einen Evaluierungsbericht mit Fehlern und Grenzen sowie eine kurze technische Erläuterung der Entscheidungen und Abwägungen. Gemessen werden sollten unter anderem Relevanz der abgerufenen Passagen, Belegtreue, Antwortrelevanz, Laufzeit und Kosten. Der Artikel behauptet, drei fertiggestellte Projekte mit Demos, sauberem Code und aussagekräftiger Evaluation könnten mehr vermitteln als 20 unvollendete Tutorials. Er präsentiert dies als Lern- und Portfolioempfehlung; konkrete Einstellungsdaten oder einen Nachweis, dass diese Projekte tatsächlich eine Anstellung sichern, enthält der Bericht nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Luna hat zwei Zusammenfassungen geliefert (kurz und mittel); beide wurden geprüft und geben den Bericht korrekt wieder, die Zahlen 5, 6 und 9 Projekte je Stufe stimmen. Teilfragen waren nicht angegeben, daher bleibt die Einordnung ohne Teilfragen. Luna-Stufen und Anteile wurden bewusst nicht übernommen.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 27 %nur am Rande erwähnt
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 32 %Hintergrund, keine Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 27 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 23 %Hintergrund, keine Belege
    • JEV 49 %einzelne zitierbare Belege
    • amos 35 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 32 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →