Nachvollziehbare praktische Erfahrung
Die veröffentlichten Inhalte entstehen im Zusammenhang mit eigenen Demos und technischen Proof of Concepts. Dazu gehört eine RAG-Anwendung mit Spring Boot, Spring AI, PostgreSQL/pgvector, hybrider Suche, Quellenmetadaten und einem deterministischen No-Answer-Verhalten bei fehlender Grundlage.
Architekturmuster, die über den aktuell öffentlich nachvollziehbaren Implementierungsstand hinausgehen, werden als Zielarchitektur oder mögliche Erweiterung gekennzeichnet. Evaluationsergebnisse werden erst veröffentlicht, wenn sie reproduzierbar gemessen wurden.
Fachgebiete
Java & Spring
Spring Boot, Spring AI, Security, REST, Streaming und wartbare Backend-Architekturen.
RAG & LLM
Retrieval, Grounding, Quellen, Guardrails, Evaluation und sichere Wissensassistenten.
Daten & Suche
PostgreSQL, pgvector, Embeddings, Volltextsuche und Hybrid Retrieval.
Fachartikel von Rolf Scherer
Was ist Retrieval-Augmented Generation?
Definition, Funktionsweise, Nutzen, Grenzen und Beispiele von RAG.
Vorteile und Nachteile von RAG
Warum RAG für Unternehmen wichtig ist – mit Entscheidungshilfe.
RAG mit Spring AI und pgvector
Architektur und Java-Praxis für eine nachvollziehbare RAG-Pipeline.
Was ist ein Large Language Model?
LLMs, Transformer, Tokens, Kontextfenster und ihre Grenzen.
RAG oder Fine-Tuning?
Unterschiede, Kosten, Einsatzfälle und kombinierte Ansätze.
RAG für Unternehmen in der Schweiz
Sichere Wissensassistenten mit Berechtigungen, Quellen und Evaluation.
Advanced RAG
Hybrid Retrieval, Reranking, Graph-RAG, Guardrails und Evaluation.
Technische Frage oder Projektidee?
Kontaktieren Sie Allerate für ein konkretes Spring-AI-, RAG- oder Backend-Vorhaben.