3. OpenAI, „Vector embeddings“, https://developers.openai.com/api/docs/ guides/embeddings (geprüft 19.10.2026). Numerische Textrepräsentationen und Ähnlichkeitssuche; keine gemessene Trefferqualität für Leihregal.
4. Google, „Embeddings: Obtaining embeddings“, Machine Learning Crash Course, https://developers.google.com/machine-learning/crash-course/ embeddings/obtaining-embeddings (geprüft 19.10.2026). Nils Reimers und Iryna Gurevych, „Sentence-BERT“, 2019, https://arxiv.org/abs/ 1908.10084.
5. Malvina Nissim, Rik van Noord und Rob van der Goot, „Fair Is Better than Sensational: Man Is to Doctor as Woman Is to Doctor“, Computational Linguistics 46(2), 2020, https://aclanthology.org/ 2020.cl-2.7/.
6. Microsoft, „Hybrid search using vectors and full-text search in Azure AI Search“, https://learn.microsoft.com/en-us/azure/search/hybrid-search-overview (geprüft 19.10.2026). Die beschriebenen Produktentscheidungen verlangen keinen Azure-Einsatz.
7. Microsoft, „Retrieval augmented generation in Azure AI Search“, https:// learn.microsoft.com/en-us/azure/search/retrieval-augmented-generation-overview (geprüft 19.10.2026).
8. Patrick Lewis et al., „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks“, 2020, https://arxiv.org/abs/2005.11401. Die konkrete Architektur der Arbeit ist nicht für jede heutige RAG-Anwendung vorgeschrieben.
9. Brave, „Agentic browser security: Indirect prompt injection in Perplexity Comet“, 20.08.2025, https://brave.com/blog/comet-prompt-injection/. Zur Einschätzung von OpenAI: TechCrunch, 22.12.2025, https:// techcrunch.com/2025/12/22/openai-says-ai-browsers-may-always-be-vulnerable-to-prompt-injection-attacks/.
10. Cohere, Modellübersicht und Changelog, https://docs.cohere.com/docs/ models und https://docs.cohere.com/changelog (abgerufen am 24.10.2026): Rerank 5 seit 21.10.2026, Rerank 4 als vorherige Generation.
11. Anthropic, „Building effective agents“, https://www.anthropic.com/ engineering/building-effective-agents.