# RAG-Wissensdatenbank

> Ein Chat, der Fragen aus Ihren Dokumenten beantwortet und zeigt, woher jede Antwort stammt, gebaut mit n8n und einer Vektordatenbank.

Retrieval-Augmented Generation macht aus PDFs, Wikis und SharePoint-Bibliotheken eine Wissensdatenbank, der man Fragen stellen kann. Das Modell antwortet aus Ihren Dokumenten und verlinkt die verwendete Textstelle, damit jede Antwort überprüfbar ist. Die Pipeline bauen wir in n8n: Dokumente werden eingelesen, aufgeteilt, indexiert und aktuell gehalten.

- Bereich: KI-Lösungen
- Art: Lösungspaket
- Kategorie: Datenverarbeitung
- Tags: RAG, Wissensdatenbank, Vektordatenbank, SharePoint, n8n
- Quelle: https://www.sus-tech.com/de/solutions/rag-knowledge-base

## Was Sie bekommen

- Einen Chat für Ihre Mitarbeiter, der aus Ihren eigenen Dokumenten antwortet
- Eine Quelle zu jeder Antwort, verlinkt mit Dokument und Textstelle
- Aktualisierungen ohne Zusatzaufwand: neue und geänderte Dokumente werden automatisch indexiert
- Antworten nur aus Dokumenten, die eine Person lesen darf

## So funktioniert es

1. n8n beobachtet die Ordner, SharePoint-Bibliotheken oder Wiki-Bereiche, die Sie wählen, und liest neue Dokumente ein.
2. Der Text wird in Abschnitte geteilt und als Embeddings in einer Vektordatenbank wie Qdrant oder PostgreSQL mit pgvector gespeichert. Die Embeddings kann ein lokales Modell berechnen, dann verlassen die Dokumente Ihr Netzwerk nicht.
3. Eine Frage findet die passendsten Abschnitte. Das Sprachmodell antwortet auf ihrer Grundlage, ein Cloud-Modell oder eines auf eigener Hardware, betrieben mit vLLM oder Ollama.
4. Die Antwort kommt mit ihren Quellen, in einem Chat oder in einem Werkzeug, das Ihr Team schon nutzt.

## Wo es hilft

- Service Desks, die dieselben Fragen aus langen Handbüchern beantworten
- Richtlinien und Compliance-Dokumente, die niemand findet, wenn er sie braucht
- Die Einarbeitung neuer Mitarbeiter

Unser Beitrag [Interne Wissensdatenbanken mit RAG](/de/blog/internal-knowledge-bases-with-rag) erklärt die Architektur im Detail. Wenn Sie nicht sicher sind, ob RAG oder Fine-Tuning zu Ihrem Fall passt, lesen Sie [RAG vs. Finetuning](/de/blog/rag-vs-finetuning).

## Blogbeiträge zum Thema

- [Interne Wissensdatenbanken mit RAG: Architektur, Tools und Wartung](https://www.sus-tech.com/de/blog/internal-knowledge-bases-with-rag.md)
- [RAG vs. Finetuning: Die richtige Strategie für Ihre LLMs](https://www.sus-tech.com/de/blog/rag-vs-finetuning.md)

## Kontakt

Beratung und Umsetzung: https://www.sus-tech.com/de/contact