Zerlegung in Passagen
Wenn eine Maschine deine Website liest, liest sie nicht deine Website. Sie zerlegt jede Seite in kurze Passagen (Chunking) — ein paar Sätze, eine Überschrift mit dem Absatz darunter, eine Liste, eine Tabellenzeile — und speichert jede einzeln. Stellt später jemand eine Frage, durchsucht die Maschine diese Passagen, nicht diese Seiten. Zurück kommt ein Fragment, beurteilt ganz für sich allein.
Das ist keine Abkürzung und kein Fehler. So muss Retrieval funktionieren: Ein System, das eine Frage beantwortet, braucht den einen Absatz, der sie beantwortet, und nicht vierzig Seiten zum Durchackern. Herausgezogen wird die Passage, die aus sich heraus am relevantesten wirkte, und sie kommt ohne die Seite drumherum in der Antwort an — keine Überschrift darüber, kein Absatz davor, nichts von dem Zusammenhang, von dem du angenommen hast, ein Mensch trage ihn beim Lesen die Seite hinunter mit.
Genau hier scheitern ganz normale, gut geschriebene Seiten still. Ein Absatz, der mit „wie oben erwähnt, ist das im Preis enthalten" beginnt, sagt herausgelöst nichts — was ist enthalten, und in wessen Preis? Eine Preistabelle drei Abschnitte unter der Überschrift, die die Leistung benennt, hat die Leistung verloren. Ein Satz, der mit „das machen wir auch für Geschäftskunden" beginnt, hat das „das" verloren. Jedes Pronomen, jeder Rückverweis, jeder über einen Absatzumbruch verteilte Gedanke ist eine Stelle, an der das Fragment unvollständig ankommt und übergangen wird — zugunsten eines anderen, das vollständig war.
Für die Extraktion zu schreiben heisst vor allem, sich dort zu wiederholen, wo man gelernt hat, es zu lassen. Nenne den Gegenstand noch einmal beim Namen, statt „es" zu sagen. Setze die Antwort direkt unter die Überschrift, die die Frage stellt, nicht drei Absätze später. Ein Gedanke pro Passage, und jede Passage steht für sich allein. Gib einer Tabelle eine Beschriftung, die benennt, was darin steht. Nichts davon macht eine Seite schlechter lesbar; meistens macht es sie auch für Menschen klarer.
Die einfache Fassung: Stell dir vor, irgendein einzelner Absatz deiner Website wird von einer fremden Person vorgelesen, ohne alles, was davor und danach steht. Wüsste ein Zuhörer, was da beschrieben wird, wer es beschreibt und um wessen Geschäft es geht? Das ist der Test, den die Maschine an jede Passage anlegt, die du veröffentlichst — tausendfach, ohne die Seite je als Ganzes zu sehen.