Eine Knowledge Base einrichten

Wie ein Agent aus Ihren eigenen Dokumenten antwortet, von Anfang bis Ende. Etwa zwanzig Minuten, kein Terminal, und unterwegs eine Entscheidung, die sich nicht rückgängig machen lässt.

Dateiverarbeitung erklärt die Pipeline; dies hier ist das Rezept.

1. Die Collection anlegen

Knowledge → New. Geben Sie ihr einen Namen, den ein Mensch wiedererkennt — er ist das, was später jemand aus einer Liste auswählt — und einen Geltungsbereich, der entscheidet, ob sie Ihnen gehört oder der Organisation.

Das Embedding-Model ist bei der Erstellung eingefroren

Es ist die eine Wahl auf dieser Seite, die Sie danach nicht mehr ändern können. Die Vektorspalte wird in der Breite dieses Models angelegt, und zwei Models gleicher Breite schreiben trotzdem in verschiedene Räume — die Suche würde also weiterhin Vektoren vergleichen, die nicht dasselbe bedeuten.

Es sich später anders zu überlegen heißt, eine neue Collection anzulegen und alles neu aufzunehmen. Das Formular bietet die Models an, die der gewählte Provider bereitstellt, und wählt das erste vor; belassen Sie es dabei, sofern Sie keinen Grund dagegen haben, und wenn Sie einen haben, siehe Ein Model wählen.

Unter Embeddings wählen Sie den Provider, der das Model bereitstellt, und das Secret im Vault, das dafür zahlt. Beides ist erforderlich: Es gibt keinen deploymentweiten Embedding-Schlüssel, also wird eine Collection ohne einen hier abgelehnt, statt angelegt zu werden und dann ihr erstes Dokument nicht indexieren zu können. Der Schlüssel muss einer für den gewählten Provider sein; hat die Organisation noch keinen, legt das Formular neben der Auswahl einen an. Provider und Schlüssel lassen sich später ändern, das Model nicht — siehe Dateiverarbeitung.

Ollama steht ebenfalls in der Provider-Liste. Sie nimmt keinen Schlüssel: Wählen Sie sie, eines ihrer Models und den Server, unter dem sie antwortet — einen lokalen Dienst, registriert unter Knowledge → Integrations, den eigenen der Organisation oder einen, den der Administrator des Deployments für alle registriert hat — und die Dokumente der Collection verlassen das Netz des Deployments nie. Derselbe Tab hält die OCR-Server für LiteParse, gewählt in den Parsing-Einstellungen.

Eine Knowledge Base, die auf einem bereits bestehenden Collection-Namen angelegt wird, übernimmt stattdessen Provider und Schlüssel jener Collection — einen fehlenden eingeschlossen, denn jede Zeile einer Collection muss auf dieselbe Weise embedden. Geben Sie einer solchen Collection den Schlüssel danach auf ihrer eigenen Seite.

2. Entscheiden, wie Dokumente gelesen werden

Jede Collection trägt ihre eigenen Ingestion-Einstellungen, und jeder Upload kann sie überschreiben. Die Standardwerte sind vernünftig; diese drei sind einen Gedanken wert.

Welcher Parser ein PDF liest.

	Was es ist	Wählen Sie es, wenn
pymupdf	Lokal, schnell, kostenlos — und der einzige, der eingebettete Bilder zur Beschreibung extrahiert	Dokumente, bei denen der Text im Vordergrund steht. Fangen Sie hier an
liteparse	Lokal, layoutbewusst, behält Tabellen als ASCII-Raster, statt sie einzuebnen	Dokumente, deren Bedeutung in ihren Tabellen steckt
llamaparse	Ein Cloud-Dienst, pro Seite abgerechnet, gibt Markdown zurück	Gescannte oder sperrige Dokumente, an denen die beiden lokalen scheitern — und Sie nehmen in Kauf, dass die Seiten das Haus verlassen

Ob OCR verwendet wird. An bei Scans und Fotografien von Dokumenten, sonst aus. Es ist langsamer, und auf sauberem Text erfindet es Zeichen.

Wie Seiten in Chunks geschnitten werden. recursive trennt an der Struktur und ist der richtige Standard; markdown folgt den Überschriften, was besser ist, wenn Ihre Dokumente tatsächlich welche haben; fixed ist ein grobes Zählen von Zeichen, für den Fall, dass die anderen beiden Unsinn produzieren.

Ändern Sie immer nur eine Sache

Diese Einstellungen wirken aufeinander. Ist die Trefferqualität schlecht, ändern Sie den Parser oder das Chunking, nehmen Sie ein Dokument neu auf und stellen Sie dieselbe Frage noch einmal.

3. Dokumente hineingeben

Zwei Wege, und Sie können beide in einer Collection nutzen.

Laden Sie Dateien direkt hoch — der gewählte Parser liest sie, zerteilt sie, bettet sie ein, und das Dokument steht auf processing, bis das fertig ist.

Synchronisieren Sie eine Source — einen Google-Drive-Ordner oder einen S3-Bucket, nach einem Zeitplan neu gelesen, sodass die Collection dem Ordner folgt statt einer Kopie davon. Siehe Sync-Sources konfigurieren.

Wenn die Ingestion bei einer frischen Installation scheitert, prüfen Sie das Datenbank-Image

Der Speicher setzt beim ersten Schreiben in eine Collection CREATE EXTENSION IF NOT EXISTS vector ab, und ein gewöhnliches Postgres antwortet extension "vector" is not available — ein 500, bevor eine einzige Zeile committet wird. Das Image muss pgvector/pgvector:pg16 sein.

4. Sie einem Agent geben

Im Builder, am Agent:

1. Schalten Sie die Capability Knowledge search ein.
2. Binden Sie die Collection — ein Agent durchsucht die Collections, die Sie benennen, und sonst nichts.
3. Setzen Sie default_top_k, die Anzahl der Chunks, die eine Suche zurückgibt.

Fangen Sie bei drei an. Acht Chunks, wo drei genügen, sind die häufigste stille Mehrausgabe in diesem Produkt: abgerufener Text wird in dem Zug gelesen, in dem er ankommt, und in jedem Zug, in dem er mitgetragen wird, und er ist meistens das Größte im Prompt.

Sagen Sie es dann in den Instructions. Das Abrufen legt dem Model den Text vor; die Instructions entscheiden, was es damit tut:

Answer from the knowledge collection and cite the document you used.
If the collection does not cover it, say so rather than guessing.

Dieser zweite Satz ist das, was aus einer selbstbewussten Erfindung ein "das habe ich nicht" macht — und es lohnt sich, das absichtlich zu testen, indem Sie nach etwas fragen, von dem Sie wissen, dass es nicht in den Dokumenten steht.

5. Sie testen

Veröffentlichen Sie, öffnen Sie den Tab Test des Agents und stellen Sie drei Fragen:

Frage	Was Sie prüfen
Etwas, das eindeutig in den Dokumenten steht	Dass das Abrufen überhaupt funktioniert und dass die Antwort eine Quellenangabe trägt
Etwas, das eindeutig nicht darin steht	Dass es ablehnt, statt zu erfinden
Etwas am Rand — ein Detail in einer Tabelle oder in einem Scan	Ob der Parser diesen Teil tatsächlich gelesen hat

Die dritte ist die, die echte Probleme findet, und deshalb lohnt es sich, die Parser-Wahl aus Schritt 2 noch einmal anzusehen, statt ihr zu vertrauen.

Wenn es etwas nicht findet, das eindeutig da ist

Arbeiten Sie diese Liste ab; sie ist grob danach sortiert, wie oft der jeweilige Punkt die Ursache ist.

1. Steht das Dokument auf processing oder ist es fehlgeschlagen? Der Fehler eines fehlgeschlagenen Dokuments steht am Dokument selbst und sagt, welche Stufe aufgegeben hat.
2. Ist die Collection an diesen Agent gebunden? Die Bindung gilt pro Agent, und eine veröffentlichte Version trägt die Bindungen, die sie beim Veröffentlichen hatte.
3. Hat der Parser diesen Teil gelesen? Öffnen Sie das Dokument und sehen Sie sich den extrahierten Text an. Eine in Prosa eingeebnete Tabelle oder ein Scan ohne OCR ist für die Suche unsichtbar, so deutlich Sie ihn auch sehen können.
4. Ist default_top_k zu klein? Drei ist richtig für ein enges Korpus und zu wenig für ein breites.
5. Ist die Seite wirklich leer, oder ist die Anfrage fehlgeschlagen? Beides ergibt dasselbe "hier ist nichts". Prüfen Sie den Netzwerk-Tab, bevor Sie irgendetwas schließen.

Zusammenfassung

• Das Embedding-Model ist bei der Erstellung eingefroren. Es ist die einzige unumkehrbare Wahl hier.
• Zuerst pymupdf, liteparse für tabellenlastige Dokumente, llamaparse, wenn die Seiten das Haus verlassen dürfen und die anderen nicht zurechtkommen.
• Starten Sie default_top_k bei drei und erhöhen Sie es nur, wenn Antworten tatsächlich Kontext fehlt.
• Die Instructions müssen "say so rather than guessing" sagen — das Abrufen allein stoppt das Erfinden nicht.
• Testen Sie mit etwas, das nicht in den Dokumenten steht, und mit etwas, das in einer Tabelle vergraben ist.

Die Pipeline im Detail → · Einen Ordner synchronisieren →