# Grounding, Belege und Enthaltung > Antworten an das mitgelieferte Material binden: Belegpflicht mit prüfbaren Fundstellen, programmatische Zitatverifikation und ihre Grenze, Enthaltung als eigene Antwortart, Teilabdeckung, Widerspruch im Material — und warum selbstberichtete Konfidenz kein Gate ist. Track: [Prompt Engineering](https://physar.tech/learn/prompt-engineering) Kanonische Fassung: https://physar.tech/learn/prompt-engineering/grounding-and-abstention Stand: 2026-09-04 Interaktiver Teil: 9 Checks (nur im Browser) ## Grounding, Belege und Enthaltung ### Zwei Wissensquellen, ein Text Sobald du einem Modell Material mitgibst — ein Dokument, abgerufene Abschnitte, eine Richtlinie —, hat es zwei Quellen: das mitgegebene **Material** und das, was aus dem Training in seinen Gewichten steckt. Die Antwort, die zurückkommt, ist eine flüssige Mischung aus beidem und sagt nicht, welcher Satz woher stammt. Das ist der Kern aller Probleme in diesem Modul. Eine Antwort, die zu 80 % aus dem Dokument und zu 20 % aus dem Trainingswissen kommt, liest sich genauso zuverlässig wie eine, die vollständig belegt ist. Und die 20 % sind gerade dort am gefährlichsten, wo sie am plausibelsten klingen — bei Fristen, Beträgen, Ausnahmen und Zuständigkeiten. _[Abbildung: Mitgegebener Kontext und Trainingswissen fließen in denselben Antworttext. Ohne Belegpflicht ist im Ergebnis nicht unterscheidbar, welcher Satz auf welcher Quelle beruht.]_ > **Merksatz:** Flüssigkeit ist kein Hinweis auf Beleglage. Der Unterschied zwischen belegt und erfunden ist im Text nicht sichtbar — er muss hergestellt werden. ### Grounding: die Antwort an den Kontext binden **Grounding:** Die Anforderung, dass jede Tatsachenaussage einer Antwort auf das mitgegebene Material zurückführbar ist — und dass das Modell erkennbar macht, wenn sie das nicht ist. Grounding ist eine Anforderung an die Antwort, kein Merkmal des Modells. Die Grounding-Instruktion hat drei Teile, und alle drei sind nötig. Sie benennt die **Quelle** — ausschließlich der Inhalt des markierten Feldes. Sie verlangt einen **Beleg** je Tatsachenaussage. Und sie gibt einen **Ausgang** für den Fall, dass das Material die Frage nicht abdeckt. Fehlt der dritte Teil, hat das Modell nur die Wahl zwischen Regelbruch und Erfindung — und es wählt die Erfindung, weil sie wie eine Antwort aussieht. - **Quelle benennen** — nur der Inhalt des Feldes `dokumente` gilt als Grundlage, nicht Allgemeinwissen. - **Beleg verlangen** — je Aussage eine Stelle, die sie stützt, nicht eine Quellenliste am Ende. - **Ausgang festlegen** — was steht in der Antwort, wenn die Grundlage fehlt? Ein definierter Wert, kein bester Versuch. - **Und danach prüfen** — die Instruktion senkt eine Rate; die Prüfung entscheidet. > **Merksatz:** Eine Grounding-Instruktion ohne definierten Ausgang für fehlende Grundlage ist eine Aufforderung, das Unmögliche zu tun — und dann geschieht das Wahrscheinliche. ### Belege sind nicht automatisch Belege Hier liegt der Befund, der die Erwartungen an Zitate zurechtrückt. Liu, Zhang und Liang haben vier generative Suchsysteme von Menschen bewerten lassen — mit dem Maßstab, ob sie umfassend und korrekt zitieren. Ergebnis: Nur **51,5 %** der erzeugten Sätze waren vollständig durch ihre Zitate gestützt, und nur **74,5 %** der Zitate stützten den Satz, dem sie zugeordnet waren. Der zweite Teil des Befunds ist der wichtigere für die Praxis: Die Antworten waren **flüssig und wirkten informativ** — und enthielten trotzdem regelmäßig ungestützte Aussagen und unpassende Zitate. Die Autoren nennen die Werte bedenklich niedrig. Für dich heißt das: Die Anwesenheit einer Quellenangabe ist kein Nachweis, sondern eine Behauptung über einen Nachweis. | | | | --- | --- | | Was ein Nutzer sieht | Was tatsächlich gilt | | Eine Aussage mit Quellenangabe | Die Angabe kann den Satz stützen oder nicht — beides sieht gleich aus. | | Eine flüssige, gut strukturierte Antwort | Flüssigkeit korreliert nicht mit Beleglage. | | Mehrere Quellen unter der Antwort | Eine Sammelliste sagt über keine einzelne Aussage etwas. | | Keine sichtbaren Lücken | Ungestützte Aussagen sind im Text nicht markiert. | > **Merksatz:** Ein Zitat ist eine Behauptung, die selbst geprüft werden muss. Wer Quellenangaben als Beleg wertet, hat die Prüfung an das System delegiert, das geprüft werden sollte. ### Ein Zitat prüfbar machen Aus dem Befund folgt eine konkrete Formatentscheidung. Ein prüfbares Zitat besteht nicht aus einem Verweis auf ein Dokument, sondern aus zwei Angaben: einer **wortwörtlichen Textstelle** aus dem Material (`belegstelle`) und einem **Ort**, an dem sie steht (`dokument_id` plus Fundstelle). Erst diese Kombination lässt sich maschinell gegen die Quelle halten. | | | | --- | --- | | Form der Angabe | Maschinell prüfbar? | | Quelle: Vertragsrichtlinie 2024 | Nein — der Verweis nennt kein Prüfobjekt. | | Quelle: Vertragsrichtlinie 2024, Abschnitt 4 | Kaum — der Abschnitt kann alles enthalten. | | Wörtliche Textstelle plus Dokument-ID und Fundstelle | Ja — die Stelle lässt sich im Quelltext suchen. | | Wörtliche Textstelle plus Zeichenbereich | Ja, und zusätzlich eindeutig lokalisierbar. | Wenn die eingesetzte Plattform Zitate als eigene Funktion anbietet, ist das der günstigere Weg als eine selbstgebaute Konvention: Die Fundstellen kommen dann aus der Verarbeitung des Dokuments und nicht aus der Generierung — sie sind damit nicht Teil dessen, was das Modell erfinden kann. Anthropic bietet dafür Citations mit Fundstellen je Textabschnitt beziehungsweise Seite. > **Merksatz:** Verlange die Textstelle, nicht die Quelle. Ein Dokumentname ist eine Behauptung; eine wortwörtliche Passage mit Fundstelle ist eine Prüfaufgabe. ### Zitate programmatisch verifizieren Mit prüfbaren Zitaten wird die Verifikation billig: Für jede angegebene Textstelle prüft der Code, ob sie im angegebenen Quelldokument tatsächlich vorkommt. Aussagen, deren Stelle sich nicht finden lässt, werden verworfen oder als ungestützt markiert. Das ist eine Prüfung gegen ein **externes** Kriterium und damit von völlig anderer Art als eine Rückfrage an das Modell. Und jetzt die Grenze, damit die Maßnahme nicht überschätzt wird: Ein wortwörtlich korrektes Zitat beweist, dass die Stelle **existiert** — nicht, dass die Aussage daraus **folgt**. Ein Modell kann korrekt zitieren und falsch schließen; genau diese Kategorie steckt in den 74,5 % aus der Untersuchung. Die Textstellenprüfung fängt die erfundene Fundstelle, nicht die falsche Ableitung. - **Fängt:** erfundene Zitate, falsche Dokumentzuordnung, Textstellen, die es nicht gibt. - **Fängt nicht:** korrektes Zitat mit unzutreffender Schlussfolgerung, aus dem Zusammenhang gerissene Passagen. - **Fängt nicht:** Aussagen ohne Zitat, wenn nicht zusätzlich geprüft wird, dass jede Aussage eines hat. - **Restrisiko benennen** — die verbleibende Fehlerart braucht Stichproben durch Menschen. > **Merksatz:** Die Textstellenprüfung ist billig und deckt die häufigste Fehlerart ab. Sie ersetzt nicht die Frage, ob die Aussage aus der Stelle folgt — und diese Frage kann bislang nur ein Mensch stichprobenweise beantworten. ### Enthaltung als erwünschtes Verhalten Der Ausgang für fehlende Grundlage heißt **Enthaltung** — und der übliche Fehler ist, sie als Notausgang zu behandeln statt als reguläre Antwort. Eine Enthaltung braucht dieselbe Sorgfalt wie jede andere Ausgabe: eine feste Form, einen Grund und, wenn möglich, einen nächsten Schritt. | | | | --- | --- | | Bestandteil | Warum er nötig ist | | Ein definierter Rückgabewert, etwa ein Feld `status` mit dem Wert `unbelegt` | Der Konsument muss Enthaltung von Antwort unterscheiden können — maschinell, nicht per Textmuster. | | Ein benannter Grund | Fehlt die Grundlage, ist die Frage außerhalb des Bereichs, oder ist das Material widersprüchlich? Drei verschiedene Fälle. | | Was der Nutzer tun kann | Eine Enthaltung ohne nächsten Schritt ist eine Sackgasse mit höflicher Formulierung. | | Zählbarkeit | Die Enthaltungsquote ist eine der wichtigsten Kennzahlen des Systems. | Die letzte Zeile verdient Betonung. Eine Enthaltungsquote, die plötzlich steigt, zeigt eine Änderung im Material oder in den Fragen; eine, die bei null liegt, zeigt fast immer, dass die Enthaltung nicht funktioniert. Ein System, das nie sagt, dass es etwas nicht weiß, weiß nicht weniger — es sagt es nur nicht. > **Merksatz:** Enthaltung ist eine Antwortart mit eigener Form, eigenem Grund und eigener Kennzahl. Eine Enthaltungsquote von null ist kein Qualitätsbeweis, sondern ein Befund. ### Teilabdeckung ist der häufigste Fall In der Praxis ist die Lage selten eindeutig. Eine Frage hat drei Teilaspekte, das Material deckt zwei davon ab. Das ist der Normalfall, und es ist der Fall, für den in den meisten Prompts nichts festgelegt ist — also entscheidet das Modell, und es entscheidet meistens zugunsten einer vollständig aussehenden Antwort. Die tragfähige Vorgabe: **beantworten, was belegt ist, und die Lücke ausdrücklich benennen**. Das ist besser als eine vollständige Enthaltung, weil es den vorhandenen Wert liefert, und besser als eine glatte Antwort, weil die Lücke sichtbar bleibt. Wichtig ist, dass die Lücke in der Ausgabe **strukturell** erscheint und nicht nur in einem Nebensatz — sonst liest sie niemand. ### Zwei von drei Teilfragen belegt Ein Assistent beantwortet Fragen zu Verträgen aus abgerufenen Abschnitten. Eine Anfrage lautet: Wie lange ist die Kündigungsfrist, gilt sie auch bei Rahmenverträgen, und was passiert bei verspäteter Kündigung? Das abgerufene Material nennt die Frist und den Rahmenvertrag, sagt aber nichts über verspätete Kündigung. Die aktuelle Antwort nennt alle drei Punkte flüssig und plausibel. **Anforderungen** - Was ist die richtige Ausgabeform? - Benenne, was die Umstellung den Nutzern abverlangt. **Schritte** - Die Frage in ihre Teilaspekte zerlegen — im Prompt ausdrücklich verlangen, dass jeder Teilaspekt einzeln beantwortet oder als unbelegt gekennzeichnet wird. - Für die zwei belegten Teile je eine wortwörtliche Textstelle mit Fundstelle verlangen, damit sie maschinell prüfbar sind. - Für den dritten Teil einen definierten Wert setzen — `abgedeckt: false` samt einem Feld `grund`, das benennt, dass das Material dazu keine Aussage enthält. Nicht ein Satz im Fließtext, sondern eigene Felder. - Im Konsumenten die Lücke sichtbar darstellen und, wenn vorhanden, den nächsten Schritt anbieten: die zuständige Stelle oder das Dokument, das die Antwort enthalten könnte. - Die Quote der Teilabdeckungen erheben — sie zeigt, ob das Retrieval oder das Material die eigentliche Lücke hat. **Merksatz:** Teilabdeckung ist der Normalfall und braucht eine eigene Ausgabeform: belegt beantworten, unbelegt markieren, und beides strukturell trennen, damit die Lücke nicht im Fließtext verschwindet. **+** Der vorhandene Wert wird geliefert, und die Lücke ist sichtbar statt gefüllt. **−** Die Antworten werden unbequemer: Nutzer, die vorher drei Antworten bekamen, bekommen jetzt zwei und einen Hinweis — und werden das als Verschlechterung melden, obwohl es eine Verbesserung ist. ### Widerspruch im Material Ein eigener Fall, der oft mit fehlender Grundlage verwechselt wird: Das Material enthält **zwei** Aussagen, die sich widersprechen — eine alte und eine neue Richtlinie, zwei Abschnitte mit verschiedenen Fristen, ein Dokument und sein Anhang. Hier fehlt keine Grundlage, es gibt zu viel davon. Die Entscheidung, die du treffen musst: **melden oder auflösen**. Auflösen setzt eine Regel voraus, die das Modell anwenden kann — etwa das jüngere Datum gewinnt, oder die höhere Dokumentenklasse gewinnt. Ist eine solche Regel im Material erkennbar, kann das Modell sie anwenden. Ist sie es nicht, ist Melden die einzige korrekte Antwort, und ein aufgelöster Widerspruch wäre eine verdeckte Entscheidung. > **Merksatz:** Ein Widerspruch ohne im Material erkennbare Vorrangregel darf nicht aufgelöst werden. Wer ihn auflösen lässt, bekommt eine Antwort, die eine Entscheidung enthält, die niemand getroffen hat. ### Konfidenz ist kein Gate Der naheliegende Wunsch: Das Modell soll je Aussage eine Sicherheit angeben, und alles unter einer Schwelle wird zur Prüfung ausgeleitet. Das klingt nach einer sauberen Lösung und ist als **Gate** untauglich. Xiong und Kollegen haben Verfahren zur Abfrage von Unsicherheit systematisch verglichen und finden: Modelle sind bei der **verbalisierten** Angabe ihrer Sicherheit tendenziell **überkonfident** — möglicherweise, weil sie menschliche Muster des Sicherheitsausdrucks imitieren. Ihre Gegenmaßnahmen mildern das, und keine setzt sich durchgängig durch; auf schwierigen, spezialisierten Aufgaben haben alle untersuchten Techniken Mühe. Praktisch heißt das: Ein Gate auf selbstberichteter Sicherheit greift gerade dort nicht, wo du es brauchst — bei einer erfundenen, aber schlüssig wirkenden Aussage wird die berichtete Sicherheit typischerweise hoch sein. Als **Sortierhilfe** für Stichproben ist die Angabe brauchbar; als Freigabekriterium ist sie es nicht. > **Merksatz:** Ein Gate braucht ein Kriterium, das nicht aus derselben Generierung stammt. Selbstberichtete Sicherheit ist Teil der Ausgabe, nicht ihre Prüfung. ### Was Grounding kostet Damit die Empfehlung ehrlich bleibt: Grounding mit Belegpflicht und Enthaltung macht ein System **unbequemer**, und das ist kein Nebeneffekt, sondern der Preis. Wer ihn nicht einplant, baut die Maßnahmen ein und wieder aus. | | | | --- | --- | | Was du gewinnst | Was es kostet | | Ungestützte Aussagen werden erkennbar | Die Antworten werden kürzer und vorsichtiger — Nutzer empfinden das als Rückschritt. | | Die Enthaltungsquote wird messbar | Sie ist zunächst hoch und zeigt Lücken im Material, die jemand schließen muss. | | Zitate werden maschinell prüfbar | Zusätzliche Ausgabe-Tokens je Aussage und ein Prüfschritt im Pfad. | | Lücken werden sichtbar statt gefüllt | Es entstehen Fälle ohne Antwort, für die es einen Eskalationsweg braucht. | **Kurzcheck:** Nach Einführung von Belegpflicht und Enthaltung steigt die Enthaltungsquote von 0 % auf 18 %. Die Fachabteilung meldet eine Verschlechterung. Wie ordnest du das ein? - [x] Erwartbar — die 18 % waren vorher unbelegte Antworten und sind jetzt sichtbar - [ ] Ein Defekt — 18 % Enthaltung deutet auf eine zu strenge Belegprüfung hin - [ ] Ein Retrieval-Problem, das vor der Einführung der Belegpflicht behoben werden musste - [ ] Ein Kommunikationsproblem, das mit einer freundlicheren Enthaltungsformulierung gelöst wird > Genau. Eine Quote von 0 % hieß nicht, dass alles belegt war, sondern dass Unbelegtes wie Belegtes aussah. Die Aufgabe ist jetzt, die Lücken im Material zu schließen — nicht, die Sichtbarkeit zurückzunehmen. ### Grounding messen Ohne Messung ist Grounding eine Absichtserklärung. Vier Größen genügen für den Anfang, und drei davon sind maschinell erhebbar: die **Belegquote** (Anteil der Aussagen mit auffindbarer `belegstelle`), die **Zitattreue** (Anteil der Zitate, die im angegebenen Dokument vorkommen), die **Enthaltungsquote** und — nur per Stichprobe — der Anteil der Aussagen, die aus ihrer Stelle tatsächlich **folgen**. Die vierte Größe ist die teure und die einzige, die die Fehlerart aus der Untersuchung erfasst. Sie braucht Menschen, deshalb braucht sie eine Stichprobe mit Verstand — und deshalb gehört sie zusammen mit der Frage, wie oft und woraus man zieht. Wie man Fallmengen und Gates baut, behandelt das Modul **Eval-Sets und Regressionstests**. > **Merksatz:** Belegquote und Zitattreue sind billig und decken die häufigste Fehlerart ab. Ob eine Aussage aus ihrer Stelle folgt, kostet Menschen — und diese Kosten sind der Grund, warum die Frage meistens ungestellt bleibt. ### Zusammenfassung — gleich im Check Du kennst jetzt die Bestandteile: **zwei Wissensquellen** in einem Text, die **Grounding-Instruktion** mit Quelle, Beleg und Ausgang, den Befund, dass nur rund die Hälfte der Sätze vollständig gestützt war und ein Viertel der Zitate nicht passte, das **prüfbare Zitat** aus Textstelle und Fundstelle, die **programmatische Verifikation** samt ihrer Grenze, **Enthaltung** als Antwortart mit Form und Kennzahl, **Teilabdeckung** als Normalfall, den **Widerspruch** im Material — und dass **Konfidenz** kein Gate ist. > **Gleich im Check:** In den nächsten Aufgaben entscheidest du Belegformate und Enthaltungsregeln. Die wiederkehrende Falle: Eine Maßnahme, die sich gut anfühlt, weil sie eine Zahl liefert — und die Zahl kommt aus derselben Generierung, die geprüft werden sollte. ## Quellen - Liu, Zhang und Liang, Evaluating Verifiability in Generative Search Engines, EMNLP 2023 Findings — https://arxiv.org/abs/2304.09848 - Xiong et al., Can LLMs Express Their Uncertainty? An Empirical Evaluation of Confidence Elicitation in LLMs, ICLR 2024 — https://arxiv.org/abs/2306.13063 - Maynez et al., On Faithfulness and Factuality in Abstractive Summarization, ACL 2020 — https://arxiv.org/abs/2005.00661 - Ji et al., Survey of Hallucination in Natural Language Generation, ACM Computing Surveys 2023 — https://arxiv.org/abs/2202.03629 - Anthropic — Citations (Fundstellen je Textabschnitt und Seite) — https://platform.claude.com/docs/en/build-with-claude/citations - Anthropic — Prompting best practices: Tell Claude what to do instead of what not to do — https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices - Huang et al., Large Language Models Cannot Self-Correct Reasoning Yet, ICLR 2024 — https://arxiv.org/abs/2310.01798 - JSON Schema Specification (Draft 2020-12) — https://json-schema.org/specification