RAG Knowledge Assistant — Interner AI-Support-Prototyp
Interner Retrieval-Augmented-Generation-Prototyp für faktenbasierte Q&A über Leistungsseiten, Profilinhalte und operative Dokumentation.
Über das Projekt
Dieses Projekt ist ein Prototyp für faktenbasierte Antworten. Er testet, wie ein RAG-Assistent Business- und Service-Fragen beantwortet, wenn er ausschließlich auf kuratiertes Projektwissen zugreift.
Ziel ist nicht generischer Chatbot-Output, sondern kontrollierte, quellengebundene Antworten mit klaren Grenzen und geringerem Halluzinationsrisiko.
Problem
Generische Assistenten liefern oft plausible Texte, verfehlen aber den konkreten Geschäftskontext oder mischen unbelegte Aussagen. Für Service-Pre-Sales und interne Übergaben ist das zu riskant.
Architektur
- Source-Layer: Profildaten, Leistungsinhalte, Route-/Struktur-Dokumente und ausgewählte Projektseiten
- Retrieval-Layer: Chunking und Relevanzfilter auf kuratierte Dokumente
- Generation-Layer: Restriktive Prompts mit quellengebundenen Antwortregeln
- Review-Layer: Manuelle Prüfung auf unbelegte Claims und Terminologie-Drift
Messbare Ergebnisse
- Single-Source-Domänglossar für konsistente Begriffe etabliert
- Strukturiertes Service-Corpus über 6 Service-Säulen aufgebaut
- Mehrsprachige Wissensbasis über DE-, EN- und HR-Content-Layer
- Explizites Anti-Halluzinations-Regelset in AI-nahen Service-Inhalten dokumentiert
Warum das relevant ist
Der Prototyp validiert eine praxisnahe AI-Servicestrategie: Assistenten sind dann nutzbar, wenn sie in realen Workflows auf die eigene Dokumentation und das eigene Service-Modell geerdet sind.
Nächste Iteration
Als nächster Schritt folgen aufgabenspezifische Evaluation-Sets (Support, Pre-Sales, internes Onboarding) mit Precision-Scoring und Regression-Checks.