RAGmatik · Fachbegriffe
Von den Grundlagen bis zu Sicherheit, Betrieb und Qualität: zentrale Begriffe rund um Retrieval-Augmented Generation verständlich und praxisnah eingeordnet.
Ein normales Sprachmodell kennt nur das Wissen aus seinem Training und aus dem aktuellen Prompt. Es kennt nicht automatisch die internen Dokumente eines Unternehmens.
Ein RAG-System sucht deshalb zuerst passende Stellen in den freigegebenen Unternehmensdokumenten. Danach erhält das Sprachmodell nur diese Fundstellen als Kontext und formuliert daraus eine Antwort mit Quellenangaben.
RAG verbindet die sprachlichen Fähigkeiten eines KI-Modells mit nachprüfbarem Wissen aus den eigenen, zugriffsberechtigten Quellen.
Oberbegriff für Computersysteme, die Aufgaben bearbeiten, für die normalerweise menschliche Wahrnehmung, Sprache oder Entscheidungsfähigkeit erforderlich ist.
KI wird vor allem für semantische Suche, Bewertung von Fundstellen und Formulierung von Antworten eingesetzt.
Ein großes Sprachmodell, das Texte verstehen und erzeugen kann. Ein LLM berechnet sprachlich wahrscheinliche Fortsetzungen. Es ist keine klassische Datenbank und besitzt kein garantiert korrektes Unternehmenswissen.
Das LLM formuliert die Antwort aus den zuvor gefundenen Dokumentstellen.
„Durch Suche erweiterte Textgenerierung“. Vor der Antwort sucht das System passende Informationen in einer Wissensbasis und gibt sie dem Sprachmodell als Kontext.
Retrieval, Generation, Zitatprüfung und Zugriffsprüfung bilden eine gemeinsame Pipeline für GUI, API, CLI und Evaluation.
Der Suchvorgang, der zu einer Frage die wahrscheinlich passenden Dokumentabschnitte ermittelt.
Retrieval kombiniert eine semantische Vektorsuche mit einer lexikalischen Keyword-Suche.
Das Erzeugen der verständlichen Antwort durch ein Sprachmodell.
Die Generation darf nur Informationen aus dem bereitgestellten Kontext verwenden und muss Tatsachen mit Quellen belegen.
Eine Antwort ist „grounded“, wenn ihre Tatsachen auf den bereitgestellten Quellen beruhen und nicht frei erfunden wurden.
Zitate und Guardrails sollen diese Quellenbindung überprüfbar machen.
Eine sprachlich überzeugende, aber sachlich falsche oder unbelegte Aussage eines KI-Modells.
Ein RAG-System verhindert Halluzinationen nicht automatisch. Gute Suche, klare Antwortregeln, Quellenprüfung und kontrollierte Verweigerung reduzieren das Risiko.
Die Anweisung und der Kontext, die an ein Sprachmodell gesendet werden.
Übergeordnete Regeln für das Verhalten des Sprachmodells, beispielsweise: „Antworte nur anhand der Quellen und zitiere jede Tatsachenbehauptung.“
Kleine Texteinheit, die ein Sprachmodell verarbeitet. Ein Token ist nicht immer ein vollständiges Wort. Wörter, Satzzeichen und Wortteile können eigene Tokens sein.
Die maximale Textmenge, die ein Modell in einer Anfrage gleichzeitig verarbeiten kann.
Nur die am besten bewerteten Fundstellen dürfen in das begrenzte Kontextfenster gelangen.
Der eigentliche Rechenvorgang, bei dem ein trainiertes Modell eine Antwort, ein Embedding oder eine Bewertung erzeugt.
Parameter für die Zufälligkeit der Textgenerierung. Niedrige Werte führen tendenziell zu gleichförmigeren, höhere Werte zu variableren Antworten.
Auch bei niedriger Temperatur können Modelle variieren.
Der vollständige Aufnahmeprozess von Dokumenten in das RAG-System.
Typische Schritte:
Ort oder System, aus dem Dokumente stammen, beispielsweise ein Ordner, Outlook-Export, Fileserver, DMS oder ITSM-System.
Generische Anbindung an eine Datenquelle. Ein Connector liest Daten und überführt sie in das gemeinsame Dokumentformat des RAG-Kerns.
Kundenspezifische Datenanbindungen sollen als Connector oder Mapping entstehen, nicht als Sonderlogik in der Suche.
Softwarekomponente, die ein Dateiformat liest und seinen Inhalt strukturiert extrahiert.
Unter anderem für PDF, DOCX, XLSX/XLSM, Markdown, Text, HTML, CSV und JSONL.
Texterkennung für gescannte Seiten oder Bilder, die keine verwertbare Textebene besitzen.
PDFs verwenden OCR nur als lokalen Fallback, wenn die normale Textextraktion nicht ausreicht.
Bereits im Dokument gespeicherter, direkt auswählbarer Text. Ein Scan kann sichtbare Schrift enthalten, ohne eine Textebene zu besitzen.
Strukturiertes Textformat für Datenobjekte und Schnittstellen.
Format, bei dem jede Zeile ein vollständiges JSON-Objekt enthält.
Eine Zeile kann beispielsweise genau eine E-Mail darstellen und wird als eigenständiges Dokument verarbeitet.
Zusatzinformationen über ein Dokument oder einen Chunk, beispielsweise:
Metadaten verbessern Suche, Filterung, Anzeige und Zugriffsschutz.
doc_idDokumentkennungStabile technische Kennung eines Dokuments oder Datensatzes.
chunk_idAbschnittskennungStabile technische Kennung eines einzelnen Chunks.
Begrenzter, zusammenhängender Dokumentabschnitt, der einzeln gesucht und zitiert werden kann.
Ganze Handbücher oder Postfächer passen nicht in das Kontextfenster. Kleine Abschnitte ermöglichen eine gezielte Suche.
Verfahren, mit dem Dokumente in Chunks aufgeteilt werden.
Chunking, das Überschriften, Abschnitte, Tabellen und Dokumentstruktur berücksichtigt, statt nur nach einer festen Zeichenzahl zu schneiden.
Wiederholung eines kleinen Textbereichs am Ende des vorherigen und am Anfang des nächsten Chunks. Dadurch gehen Informationen an Schnittstellen weniger leicht verloren.
Zu viel Überlappung erzeugt Duplikate und verbraucht Speicher.
Erkennen und Behandeln mehrfach vorhandener Inhalte.
Dokumente oder Abschnitte, die nicht exakt gleich, aber sehr ähnlich sind.
Kompakter, reproduzierbarer Wert über Inhalt und relevante Metadaten. Er zeigt, ob sich ein Chunk geändert hat.
Mathematisch berechneter Prüfwert über Daten. Eine kleine Datenänderung erzeugt normalerweise einen anderen Hash.
Persistentes Verzeichnis darüber, welche Quelldokumente verarbeitet wurden, welchen Status sie besitzen und welche Chunks zu ihnen gehören.
Getrennter Bereich für fehlerhafte, unlesbare oder qualitativ ungeeignete Dokumente. Diese Dokumente werden nicht stillschweigend in den Suchbestand übernommen.
Ein Vorgang kann wiederholt werden, ohne dadurch unerwünschte zusätzliche Änderungen zu erzeugen.
Ein unveränderter erneuter Ingest erzeugt keine doppelten Chunks.
Synchronisierung ausschließlich der neuen, geänderten oder gelöschten Datensätze.
Ein Millionenbestand muss bei einer einzelnen neuen E-Mail nicht vollständig neu indexiert werden.
Mehrere Datensätze werden gemeinsam in einem begrenzten Paket verarbeitet. Das reduziert Netzwerk- und Verwaltungsaufwand und verhindert zu große Einzelanfragen.
Daten werden schrittweise gelesen und verarbeitet, anstatt einen kompletten Großbestand in den Arbeitsspeicher zu laden.
Numerische Darstellung der inhaltlichen Bedeutung eines Textes. Ähnliche Texte erhalten Vektoren, die im mathematischen Raum nahe beieinanderliegen.
"Wartungsintervall des Motors" → [0,12; -0,37; 0,81; ...]
Modell, das Text in Embeddings umwandelt.
Das Modell ist konfigurierbar. Ein Modellwechsel verändert den Vektorraum und erfordert deshalb eine kontrollierte Neuindexierung.
Geordnete Liste von Zahlen. Im RAG bildet sie die maschinell berechnete Bedeutung eines Textes ab.
Anzahl der Zahlen in einem Vektor. Dokument- und Fragevektoren müssen dieselbe Dimension besitzen.
Vektor mit vielen belegten Zahlenwerten. Dense Embeddings bilden vor allem semantische Ähnlichkeit ab.
Semantische Suche über Dense-Vektoren.
Findet häufig sinngleiche Formulierungen ohne identische Wörter.
Exakte Artikelnummern, Namen oder Zahlen können lexikalisch zuverlässiger sein.
Mathematische Funktion zur Bestimmung der Nähe zweier Vektoren.
Häufig verwendetes Ähnlichkeitsmaß für Embeddings. Es vergleicht hauptsächlich die Richtung zweier Vektoren.
Datenstruktur, die ähnliche Vektoren schnell findet, ohne jeden Vektor einzeln vergleichen zu müssen.
„Hierarchical Navigable Small World“. Graphbasierter Index für schnelle Ähnlichkeitssuche in großen Vektorbeständen.
Qdrant nutzt HNSW für die skalierbare Dense-Suche.
Sehr schnelle Suche nach annähernd nächsten Vektornachbarn. Sie tauscht einen kleinen Teil theoretischer Exaktheit gegen große Geschwindigkeitsgewinne.
Persistente Vektordatenbank und Suchmaschine für große Vektorbestände.
Qdrant ist das Produktionsziel für die Dense-Suche bei großen Kundenbeständen.
Logisch getrennter Bestand in Qdrant. Vergleichbar mit einer eigenen Indexsammlung.
Collections sind tenantbezogen.
Ein Eintrag in Qdrant. Er enthält eine ID, Vektoren und einen Payload.
Metadaten eines Qdrant-Points, beispielsweise chunk_id, Dokumentkennung, Text, Datum und Zugriffsgruppen.
„Update oder Insert“. Ein Eintrag wird neu angelegt oder bei vorhandener ID aktualisiert.
Separate Binärdatei für die Vektoren eines Chunk-Dokuments.
Text und Metadaten bleiben schlank in JSONL; Float32-Vektoren liegen getrennt in generationsgebundenen .vec-Dateien.
Binäres Zahlenformat mit 32 Bit pro Fließkommazahl. Es ist ein üblicher Kompromiss aus Genauigkeit, Speicherbedarf und Geschwindigkeit.
Suche nach tatsächlich vorkommenden Wörtern, Wortformen, Kennungen oder Zahlen.
Index, der Wörter und ihre Fundstellen verwaltet.
Eingebettete relationale Datenbank, die als lokale Datei auf dem Backend-System liegt.
SQLite dient derzeit als persistente tenantbezogene Keyword-Datenbank. Windows-Clients greifen niemals direkt auf diese Datei zu, sondern ausschließlich über die API.
Volltextsuchmodul von SQLite. FTS steht für „Full Text Search“.
FTS5 ist der bestehende Keyword-Arm der hybriden Suche.
Bewährte Rankingformel für Volltextsuche. Sie berücksichtigt unter anderem:
Häufigkeit eines Begriffs in einem Dokument.
Gewichtung nach Seltenheit im gesamten Bestand. Ein Begriff, der nur in wenigen Dokumenten vorkommt, ist meist aussagekräftiger als ein sehr häufiges Wort.
Vektor, bei dem nur wenige Positionen Werte besitzen. Positionen können Begriffen entsprechen.
Qdrant Sparse wird als mögliche Alternative zum FTS5-Arm untersucht, ist aber aktuell nicht als Produktionsweg abgenommen.
Sehr häufige Wörter mit geringer Suchaussage, beispielsweise „der“, „die“, „und“ oder „ist“. Sie können bei der Bildung der Suchanfrage reduziert werden.
Reduktion verschiedener Wortformen auf einen gemeinsamen Wortstamm.
Sprachliche Veränderung eines Wortes, beispielsweise: „installieren“, „installiert“ und „Installation“.
Vereinheitlichung von Schreibweisen für die Suche.
Dazu gehören Groß-/Kleinschreibung sowie deutsche Varianten wie ä/ae, ö/oe, ü/ue und ß/ss.
Aufbereitung einer Benutzerfrage in eine suchgeeignete Form.
Begriff mit gleicher oder verwandter Bedeutung.
„Kfz“ und „Kraftfahrzeug“.
Geordnete Fachbegriffswelt mit Ober-, Unter- und verwandten Begriffen.
Kundenspezifische Begriffe, Abkürzungen, Produktnamen und Synonyme.
Das Fachvokabular gehört in die Tenant-Konfiguration und nicht fest in den universellen Kern.
Suche über Sprachgrenzen hinweg, beispielsweise eine deutsche Frage auf eine englische Quelle.
Dense Embeddings können dabei semantisch helfen. Lexikalische Verfahren benötigen normalerweise Übersetzungen, gemeinsame Fachbegriffe oder Synonymzuordnungen.
Kombination mehrerer Suchverfahren.
Dense-Vektorsuche + FTS5-Keyword-Suche → RRF → optionaler Reranker
Chunk, der von einem Sucharm als möglicherweise relevant gefunden wurde.
Gesamtheit der zunächst gefundenen Kandidaten, bevor die endgültige Auswahl erfolgt.
Anzahl der besten Treffer, die eine Suchstufe zurückgibt.
top_k=5 bedeutet, dass die fünf bestplatzierten Treffer verwendet werden.
Sortierung der Treffer nach vermuteter Relevanz.
Position eines Treffers in einer Rangliste.
Numerischer Bewertungswert eines Suchverfahrens. Scores verschiedener Verfahren sind nicht automatisch direkt vergleichbar.
Verfahren zur Zusammenführung mehrerer Ranglisten. Entscheidend ist vor allem die Position eines Treffers, nicht die absolute Höhe inkompatibler Scores.
Zusätzliche Bewertungsstufe, die den Kandidatenpool genauer gegen die Benutzerfrage sortiert.
Modelltyp, der Frage und Kandidat gemeinsam bewertet. Das ist meist genauer, aber aufwendiger als ein einfacher Vektorvergleich.
Maß dafür, wie gut ein Treffer zur Frage passt.
Anteil beziehungsweise Gewicht der wichtigen Fragebegriffe, die in einem Kandidaten vorkommen.
Untergrenze, unterhalb derer ein Treffer nicht als ausreichend relevant gilt.
Filter, der sehr viel schwächere Kandidaten im Verhältnis zum besten Treffer entfernt, damit der Kontext nicht mit Rauschen gefüllt wird.
Irrelevante oder nur entfernt passende Informationen, die Suche und Antwortqualität verschlechtern können.
Metadaten- und Zugriffsfilter werden bereits während der Suche angewendet.
Ein unberechtigter Chunk darf nicht erst gefunden und anschließend ausgeblendet werden.
Überprüfbare Aussage in einer Antwort.
„Die Wartung erfolgt alle zwölf Monate.“
Einzelne, prüfbare Behauptungseinheit. Ein Satz kann mehrere Claims enthalten.
Verweis von einer Antwortbehauptung auf den Chunk, der sie belegt.
Metrik dafür, ob verwendete Zitate technisch gültig sind und auf tatsächlich bereitgestellte Quellen zeigen.
Metrik dafür, welcher Anteil der Tatsachenbehauptungen durch die zitierten Quellen gestützt wird.
Claim Support misst Tatsachenbezug, nicht identische Wortwahl.
Grad, in dem eine Antwort ausschließlich Aussagen enthält, die aus den Quellen ableitbar sind.
Der zusätzliche modellbasierte Laufzeitprüfer bleibt derzeit deaktiviert, weil seine Einschaltbedingungen noch nicht vollständig erfüllt sind. Die normale Zitat- und Belegprüfung bleibt aktiv.
Technische Schutzregel, die unerwünschtes Modellverhalten erkennt oder begrenzt.
Kontrollierter zweiter Generierungsversuch, wenn die erste Antwort den Belegvertrag verletzt.
Das System antwortet bewusst nicht, wenn die Quellen keine verlässliche Antwort tragen oder der Belegvertrag nicht erfüllt ist.
Eine ehrliche Verweigerung ist besser als eine überzeugend formulierte Erfindung.
Kennzeichnung, ob eine Frage anhand des vorhandenen und zugriffsberechtigten Bestands beantwortbar sein sollte.
Modell, das intern zusätzliche Rechenschritte für komplexe Aufgaben verwendet. Interne Gedankenschritte sind kein Quellenbeleg und gehören nicht in die sichtbare Antwort.
Systematische Messung der RAG-Qualität anhand definierter Fragen, Erwartungen und Schwellenwerte.
Geprüfte Sammlung aus Fragen, Beantwortbarkeitskennzeichen und relevanten Quellen. Es bildet den Qualitätsvertrag für einen Tenant.
Manuell oder fachlich bestätigte Erwartung, gegen die eine Messung verglichen wird.
Anteil der relevanten Quellen, die unter den ersten k Treffern gefunden werden.
Recall@5 fragt: „Wie viele benötigte Quellen liegen in den ersten fünf Treffern?“
Metrik für die Position des ersten relevanten Treffers. Ein Treffer auf Rang 1 ist besser als derselbe Treffer auf Rang 10.
Anteil der beantwortbaren Fragen, die das System tatsächlich beantwortet.
Metrik dafür, ob unbeantwortbare Fragen korrekt verweigert werden.
Verbindlicher Mindestwert, den eine Qualitätsmetrik erreichen muss.
Verschlechterung gegenüber einem zuvor bestätigten Stand.
Vergleichsmessung von Qualität, Latenz, Durchsatz oder Ressourcenbedarf unter definierten Bedingungen.
Festgehaltener Ausgangswert für spätere Vergleiche.
50 Prozent der Messwerte sind schneller oder gleich diesem Wert.
95 Prozent der Messwerte sind schneller oder gleich diesem Wert. Die langsamsten fünf Prozent liegen darüber.
99 Prozent der Messwerte sind schneller oder gleich diesem Wert.
Gesamtdauer vom Eingang einer Frage bis zur vollständigen Antwort.
Zeit für Suche, Fusion und gegebenenfalls Reranking.
Zeit, die das Sprachmodell für die Antworterzeugung benötigt.
Anzahl der verarbeiteten Dokumente, Chunks oder Anfragen pro Zeiteinheit.
Vorbereitende Aufrufe, durch die Modelle, Verbindungen, Dateiseiten oder Caches geladen werden. Warm-up-Aufrufe dürfen nicht unbemerkt als normale Messwerte ausgegeben werden.
Start ohne bereits geladenen Index, Cache oder Modellzustand.
Start mit vorhandenem persistentem Bestand, bei dem keine vollständige Neuindexierung erforderlich sein sollte.
Gleiche Eingaben erzeugen wiederholt dasselbe Ergebnis.
Schwankung der Ergebnisse oder Laufzeiten zwischen mehreren Durchläufen.
Mehrere Aufgaben werden gleichzeitig bearbeitet.
Nebenläufigkeit kann Durchsatz erhöhen, muss aber auf Stabilität, GPU-Verhalten und Ergebnisvarianz geprüft werden.
Fähigkeit eines Systems, mit wachsenden Datenmengen und Nutzerzahlen umzugehen, ohne unvertretbar langsam oder instabil zu werden.
Arbeitsspeicher des Systems. Er hält laufende Programme, Caches und geladene Daten.
Spezialisierter Prozessor für stark parallele Berechnungen. Er beschleunigt Embeddings, Reranker und Sprachmodelle.
Speicher direkt auf der Grafikkarte. Modellgewichte und KV-Cache müssen in das verfügbare VRAM-Budget passen.
Zwischenspeicher eines Sprachmodells für den bereits verarbeiteten Kontext. Größere Kontextfenster benötigen mehr KV-Cache und damit mehr VRAM.
Allgemeiner Hauptprozessor. Er übernimmt unter anderem Parsing, SQLite, Dateiverarbeitung und Teile der Indexverwaltung.
Schneller, direkt angebundener SSD-Speicher. Für große lokale Indizes, Snapshots und Datenbestände besonders wichtig.
Begrenzte Menge wiederverwendbarer Netzwerkverbindungen zwischen RAGmatik und einem Dienst wie Qdrant.
Weniger Verbindungsaufbau, niedrigere Latenz und Schutz gegen Port-Erschöpfung.
Eine Netzwerkverbindung bleibt nach einer Anfrage geöffnet und kann für weitere Anfragen wiederverwendet werden.
TIME_WAITTCP-Zustand einer kürzlich geschlossenen Verbindung. Der lokale Port bleibt vorübergehend gebunden.
Zu viele kurz nacheinander neu aufgebaute TCP-Verbindungen belegen alle verfügbaren temporären Ports.
Der Qdrant-Verbindungspool und das saubere Schließen der Clients sind deshalb ein produktionsrelevanter Vertrag.
HTTP-Schnittstelle, über die andere Programme strukturierte Anfragen an RAGmatik senden können.
Konkrete Adresse und Operation einer API, beispielsweise eine Frage, ein Ingest-Auftrag oder eine Statusabfrage.
Python-Framework des RAGmatik-Backends für REST-API und Webanwendung.
Grafische Benutzeroberfläche.
Das Backend läuft auf Ubuntu; Windows-Arbeitsplätze bedienen RAGmatik über Browser und API.
Kommandozeilenschnittstelle für Betrieb, Tests, Ingest, Evaluation und Wiederherstellung.
Lokale Laufzeitumgebung für Embedding- und Sprachmodelle.
Isolierte, reproduzierbare Laufzeitumgebung für einen Dienst.
Qdrant kann als Container betrieben werden.
Einstellungen, die Verhalten und kundenspezifische Werte bestimmen, ohne den universellen Programmcode zu ändern.
Menschenlesbares Format für Konfigurationsdateien.
Konfigurationsschalter, mit dem eine Funktion je Tenant aktiviert oder deaktiviert wird.
Logisch getrennter Kunden- oder Wissensbestand mit eigener Konfiguration, eigenen Daten, Indizes, Zugriffsregeln und Evaluationen.
Mehrere Tenants verwenden denselben universellen Kern, bleiben aber technisch und fachlich voneinander getrennt.
Liste der Gruppen oder Identitäten, die auf ein Dokument zugreifen dürfen.
Gesamtheit aus Benutzeridentitäten, Anmeldung, Rollen, Gruppen und Berechtigungsverwaltung.
Rechte werden anhand von Rollen vergeben, beispielsweise Benutzer, Wissensmanager, Auditor oder Administrator.
Ohne ausdrückliche Berechtigung wird kein Zugriff gewährt.
Bei Fehlern oder unklarem Zustand wird der Zugriff oder die Veröffentlichung verweigert.
Fail-open würde trotz unklarer Sicherheitslage fortfahren.
Geheimer technischer Schlüssel, mit dem ein externes System authentifiziert auf eine API zugreift.
Standard zur Anmeldung über einen zentralen Identity Provider. Er kann Benutzer- und Gruppeninformationen an RAGmatik übermitteln.
Angriff, bei dem ein Browser ungewollt eine zustandsändernde Anfrage sendet. Schutz erfolgt beispielsweise über Herkunftsprüfung und spezielle Header.
Personenbezogene Informationen, anhand derer eine Person direkt oder indirekt identifiziert werden kann.
Ausgehende Netzwerkverbindung eines Systems.
Der lokale Betriebsmodus soll keine Dokumente oder Prompts ungewollt an externe Cloudanbieter senden.
Nachvollziehbares Protokoll wichtiger Vorgänge wie Anfragen, Änderungen, Fehler, Verweigerungen und Verwaltungsaktionen.
Jeder Audit-Eintrag enthält den Prüfwert des vorherigen Eintrags. Nachträgliche Manipulationen werden dadurch erkennbar.
Konsistente Momentaufnahme eines Tenant-Bestands.
Wiederherstellung eines gespeicherten Snapshots.
Kontrollierter Neuaufbau abgeleiteter Indizes aus den als Wahrheit geltenden Quelldaten und Chunkdateien.
Zusammengehöriger veröffentlichter Stand von Dateien und Indizes.
Vorbereitungsbereich, in dem ein neuer Stand vollständig aufgebaut und geprüft wird, bevor er aktiv wird.
Stabiler logischer Name, der in Qdrant auf die aktuell aktive Collection zeigt. Eine Umschaltung kann dadurch atomar erfolgen.
Eine Änderung wird entweder vollständig oder gar nicht sichtbar.
Genau definierter Schritt, ab dem ein neuer Stand als veröffentlicht gilt.
Rückkehr zum vorherigen funktionsfähigen Stand.
Kontrollierte Wiederherstellung nach Absturz, Abbruch oder beschädigtem Zwischenzustand.
Persistente Aufzeichnung über den Fortschritt eines mehrstufigen Vorgangs. Nach einem Absturz kann das System erkennen, welcher Schritt erreicht wurde.
Prüfwert über eine Menge oder Struktur von Daten. Er dient als kompakter Vollständigkeits- und Gleichheitsnachweis.
Prüfung, ob der verwendete Datenstand vor und nach einer Anfrage noch gültig ist. Ergebnisse eines zwischenzeitlich veralteten Retrievers werden nicht veröffentlicht.
Temporäres Nutzungsrecht auf einer Retriever-Instanz. Solange eine laufende Anfrage sie verwendet, darf sie nicht geschlossen werden.
Mehrere gleichzeitige Anforderungen für denselben Neuaufbau führen nur zu einem tatsächlichen Bauvorgang. Die übrigen warten auf dessen Ergebnis.
Nein. Der Chat ist nur die Oberfläche. Dahinter stehen Dokumentaufnahme, Zugriffsprüfung, zwei Suchverfahren, Ranking, Quellenkontext, Antwortgenerierung, Zitatprüfung, Audit und Evaluation.
Weil ein Modell nicht den gesamten Unternehmensbestand gleichzeitig lesen kann. Chunks ermöglichen, genau die relevanten Stellen zu finden und zu zitieren.
Die Vektorsuche findet ähnliche Bedeutungen. Die Keyword-Suche ist stark bei exakten Begriffen, Namen, Nummern und Formulierungen. Zusammen sind beide robuster als jeweils allein.
Qdrant skaliert die semantische Vektorsuche. SQLite FTS5 stellt derzeit die lokale, schnelle Keyword-Suche bereit. Beide erfüllen unterschiedliche Aufgaben und werden über RRF zusammengeführt.
Nein. Die Dokumente werden nicht in das Sprachmodell eintrainiert. Sie werden indexiert, bei einer Frage gezielt gesucht und nur als aktueller Kontext bereitgestellt.
Der Ingest erkennt Änderungen über stabile Kennungen und Fingerprints. Delta-Sync aktualisiert oder entfernt gezielt die betroffenen Chunks und Indizes.
Zugriffsgruppen werden bereits in der Suche angewendet. Ohne Berechtigung gelangt ein Dokument nicht in die Trefferliste oder den Modellkontext.
RAGmatik versucht genau eine kontrollierte Korrektur. Bleibt die Antwort unbelegt, verweigert das System, statt eine Behauptung zu erfinden.
Mit kundenspezifischen Gold-Fragen, Retrieval- und Antwortmetriken, verbindlichen Gates, wiederholten Läufen sowie Last-, Wiederherstellungs- und Sicherheitstests.
Das Zielsystem arbeitet lokal. Externe Provider sind keine Voraussetzung und müssen ausdrücklich aktiviert werden. Der lokale Modus soll unerlaubten externen Datenverkehr verhindern.
Nein. Jeder Kunde erhält eigene Quellen, Zugriffsregeln, Fachbegriffe, Konfiguration und Gold-Evaluation. Der technische Kern bleibt universell und soll einen weiteren Kunden ohne Kernänderung aufnehmen können.
Ein LLM formuliert; das Retrieval liefert das Wissen.
Ein gutes Modell ersetzt keine gute Suche.
Ein Treffer ist noch kein Beleg.
Eine Quellenangabe ist nur wertvoll, wenn sie die Behauptung wirklich trägt.
Eine ehrliche Verweigerung ist besser als eine überzeugende Erfindung.
Sicherheit beginnt vor dem Ranking, nicht erst bei der Anzeige.
Große Bestände brauchen Delta-Verarbeitung statt vollständiger Neuaufbauten.
Ein Benchmark ist nur so belastbar wie sein Messaufbau.
Kundenspezifische Konfiguration ist gewollt; Kundensonderlogik im Kern ist es nicht.
Produktreife wird gemessen und nachgewiesen, nicht behauptet.
Ein Glossar erklärt Begriffe – dieser Abschnitt erklärt eine Haltung. RAGmatik ist aus einer einfachen Überzeugung entstanden: Ein Unternehmen sollte sein eigenes Wissen befragen können, ohne es dafür aus der Hand zu geben. Was das konkret für Sie bedeutet:
In den meisten Unternehmen liegt das Wissen verstreut: in E-Mail-Postfächern, Dokumentenordnern, PDFs, Office-Dateien, Serviceberichten und Altablagen. RAGmatik führt diese Quellen in einer zentral verwalteten Wissensbasis zusammen – durchsuchbar über eine einzige Frage statt über zehn Ablagesysteme. Neue und geänderte Inhalte werden gezielt nachgeführt, ohne dass jemand Dokumente manuell einpflegen muss.
RAGmatik läuft vollständig bei Ihnen im Haus – auf Ihrer Hardware, in Ihrem Netz. Es gibt keinen Cloud-Zwang und keine stillen Übertragungen: Der lokale Betriebsmodus ist darauf ausgelegt, dass Ihre Dokumente und Fragen Ihr Unternehmen nicht verlassen. Das ist nicht nur DSGVO-freundlich – es ist schlicht die sauberste Antwort auf die Frage, wem Ihr Wissen gehört.
Jede Tatsachenbehauptung trägt einen Quellenverweis auf das Originaldokument. Und wenn die Quellen eine Frage nicht verlässlich tragen, sagt RAGmatik das offen, statt etwas Überzeugendes zu erfinden. Eine ehrliche Verweigerung ist uns lieber als eine schöne Halluzination – gerade dann, wenn Entscheidungen daran hängen.
Wer ein Dokument nicht lesen darf, bekommt es auch von RAGmatik nicht zu sehen – weder als Antwort noch als Treffer. Berechtigungen werden bereits während der Suche durchgesetzt, nach dem Prinzip: ohne ausdrückliche Freigabe kein Zugriff. Ihre bestehende Rechtestruktur bleibt damit auch im KI-Zeitalter das Maß der Dinge.
RAGmatik bindet Ihre bestehenden Systeme kontrolliert an: ITSM- und Ticketsysteme, Webseiten, Fileserver oder Fachablagen – jede Quelle bewusst freigegeben statt wahllos eingesammelt. Dabei bleibt sauber getrennt, was intern ist und was Ihre Kunden sehen dürfen: Ein Wissensbestand für Ihre Mitarbeitenden, ein kuratierter für Ihr Kundenportal – aus einem System, ohne dass Interna nach außen sickern.
Anfragen, Änderungen und Verwaltungsaktionen werden in einem manipulationserkennbaren Protokoll festgehalten, in dem jeder Eintrag kryptografisch am vorherigen hängt. Wenn Revision, Datenschutzbeauftragte oder Ihre eigene Neugier fragen, was das System wann getan hat, gibt es eine belastbare Antwort statt eines Achselzuckens.
Vor der Abnahme definieren wir gemeinsam Prüffragen aus Ihrem Alltag – mit erwarteten Quellen und verbindlichen Mindestwerten. Das System muss diese Messlatte wiederholbar überspringen, bevor es produktiv geht, und bei jeder Weiterentwicklung erneut. Sie sehen schwarz auf weiß, wie gut RAGmatik auf Ihren Dokumenten arbeitet.
Ihr Fachvokabular, Ihre Datenquellen, Ihre Zugriffsregeln und Ihr Erscheinungsbild sind Konfiguration – kein Sonderumbau. Sie profitieren von einem universellen, gepflegten Produktkern und bekommen trotzdem ein System, das sich anfühlt, als wäre es nur für Sie gebaut. Weiterentwicklungen kommen allen Kunden zugute, ohne Ihre Anpassungen zu gefährden.
Sie kaufen bei uns kein Werkzeug, das man Ihnen über den Zaun wirft. Wir entwickeln gemeinsam mit Ihnen eine Wissensstrategie: Welche Quellen zuerst, welche Teams profitieren sofort, wie wächst das System mit Ihren Zielen – vom internen Nachschlagewerk bis zur kundenseitigen Wissensauskunft. RAGmatik ist das Fundament; die Richtung bestimmen wir zusammen.
Bottamatik ist ein inhabergeführtes Softwarehaus aus Moers am Niederrhein. Sie sprechen direkt mit dem Menschen, der das System entwickelt – ohne Ticketschleifen, ohne Vertriebsetagen, mit deutscher Dokumentation und pragmatischen Entscheidungen. Kurze Wege sind bei uns kein Versprechen, sondern Betriebsmodell.