Moritz · KI & Automatisierung
Ich entwickle RAG-Lösungen, die Wissen aus Websites, Dokumenten und Datenbanken gezielt durchsuchen. Antworten basieren auf freigegebenen Quellen und lassen sich in bestehende WordPress-, Laravel- oder interne Systeme integrieren. Projekte für Unternehmen setzen wir bei Klassen AI um.
Moritz Klaßen
20+
Jahre Erfahrung in Webprojekten
50+
Erfolgreiche Projekte
Use Cases
RAG eignet sich, wenn vorhandenes Wissen schneller auffindbar werden soll und KI-Antworten auf eigenen, nachvollziehbaren Quellen basieren müssen.
So funktioniert RAG
RAG steht für Retrieval Augmented Generation. Vor jeder Antwort sucht das System passende Informationen in den freigegebenen eigenen Inhalten. Das KI-Modell erhält diese Fundstellen als Kontext und kann die verwendeten Quellen anzeigen.
sync / content
Websites, PDFs, Handbücher, Datenbanken oder angebundene Systeme werden regelmäßig oder bei Änderungen synchronisiert.
chunk + embeddings
Die Inhalte werden sinnvoll aufgeteilt, mit Metadaten und Berechtigungen versehen und für die semantische Suche indexiert.
retrieve: top-k
Bei einer Anfrage durchsucht das System den freigegebenen Wissensbestand und wählt nur die relevantesten Fundstellen aus.
grounded answer
Das KI-Modell formuliert eine Antwort anhand der gefundenen Inhalte und verknüpft sie mit den zugrunde liegenden Quellen.
feedback / log
Anfragen, Trefferqualität und Nutzerfeedback werden protokolliert. Dadurch werden fehlende, unklare oder veraltete Inhalte sichtbar.
Das Ergebnis ist eine individuelle KI-Wissensdatenbank, die eigene Inhalte gezielt durchsucht, Quellen sichtbar macht und bestehende Zugriffsrechte berücksichtigen kann.
Antworten auf häufige Fragen zu RAG, eigenen Datenquellen und der Integration in bestehende Systeme.
Die Kosten hängen von der Anzahl und Art der Datenquellen, den benötigten Zugriffsrechten, der gewünschten Benutzeroberfläche und den anzubindenden Systemen ab. In einem Gespräch lässt sich der passende Projektumfang gemeinsam festlegen.
RAG steht für Retrieval Augmented Generation. Vor einer Antwort sucht das System passende Informationen in freigegebenen eigenen Inhalten. Das KI-Modell verwendet diese Fundstellen als Kontext und kann die zugrunde liegenden Quellen anzeigen.
Je nach Projekt können Websites, WordPress-Inhalte, PDFs, Dokumente, Datenbanken, interne Handbücher oder externe Systeme über APIs eingebunden werden. Entscheidend sind die Struktur, Aktualität und Zugriffsrechte der Inhalte.
Ja. Die Wissenssuche kann direkt in WordPress, Laravel, Filament, Kundenportale, interne Adminbereiche oder individuelle Webanwendungen integriert werden.
Die angebundenen Quellen können regelmäßig oder ereignisbasiert synchronisiert werden. Neue und geänderte Inhalte werden anschließend erneut verarbeitet und in den Suchindex übernommen.
Nein. Eine Vektordatenbank ist eine häufige technische Grundlage für die semantische Suche, aber nicht für jedes Projekt zwingend erforderlich. Je nach Datenmenge, bestehender Infrastruktur und Suchanforderungen kann auch eine vorhandene Datenbank oder eine kombinierte Volltext- und Vektorsuche sinnvoll sein.
Nein. RAG verbessert die Datengrundlage und macht verwendete Quellen nachvollziehbar, garantiert aber keine fehlerfreien Antworten. Deshalb gehören Testfragen, Antwortgrenzen, Quellenanzeigen, Logging und bei kritischen Abläufen menschliche Freigaben zur Umsetzung.
Ja. Inhalte können nach Rollen, Nutzern, Mandanten oder anderen Berechtigungen getrennt werden. Die Zugriffskontrolle sollte bereits bei der Suche greifen, damit nur freigegebene Fundstellen an das KI-Modell übergeben werden.
Bei Klassen AI prüfen wir eure Abläufe und bestehenden Systeme: Wo lohnt sich Automatisierung, wo hilft KI und welcher erste Schritt bringt den größten Nutzen?Wir prüfen deine Abläufe und Systeme – und zeigen dir, welcher erste Schritt den größten Nutzen bringt.
Das prüfen wir gemeinsam