RAG einfach erklärt: wie LLMs auf deine Daten zugreifen
Was Retrieval Augmented Generation ist, warum es funktioniert und wann du es einsetzen solltest – aus der Praxis.
LesenIch baueRAG-Systeme
Software Engineer mit Fokus auf KI, RAG-Systeme und Backend-Entwicklung. Ich studiere Informatik an der ZHAW und arbeite parallel bei LogObject AG an Software für Schweizer Gerichte. Meine Leidenschaft gilt dem Bau skalierbarer Systeme, die echten Mehrwert schaffen – von Datenbankmigrationen bis hin zu produktionsreifen RAG-Pipelines.
«Neugier und Entschlossenheit führen mich zu neuen Herausforderungen.»
Ich bin Kajaluxan – ein Software Engineer, der gerne komplexe Probleme in saubere, skalierbare Systeme übersetzt. Aktuell arbeite ich bei LogObject AG an Software, die in Schweizer Gerichten produktiv im Einsatz ist, und schreibe parallel meine Bachelorarbeit an der ZHAW im Bereich graph-basierter RAG-Systeme.
Mein Schwerpunkt liegt auf KI- und Retrieval-Systemen (LangChain, Qdrant, Neo4J) sowie auf Backend-Entwicklung mit Java Spring Boot, FastAPI und PostgreSQL. Aus meiner Zeit als gelernter Mechaniker bringe ich zudem ein gutes Auge für saubere Konstruktion und Liebe zum Detail mit.
Vom Mechaniker EFZ über IT-Support bis zum Software-Engineering bei LogObject AG.
Drei RAG-Systeme, drei Kontexte: Kanzlei, Gericht on-premise, Forschung.
Praxisartikel zu RAG, LLM-Evaluation, Vektor-Datenbanken und Backend-Engineering.
Was Retrieval Augmented Generation ist, warum es funktioniert und wann du es einsetzen solltest – aus der Praxis.
LesenEin nüchterner Vergleich von Qdrant und PostgreSQL pgvector – Performance, Setup, Skalierung und wann welches besser passt.
LesenVon Embeddings bis Spring Boot. Die Balken zeigen Erfahrungstiefe auf einer Skala von 1 bis 5.
Du arbeitest an einem Projekt im Bereich KI, RAG oder Backend? Schreib mir. Winterthur, Zürich oder remote.