Die Wissensdatenbank verwendet RAG (Retrieval-Augmented Generation), um Ihrem Agenten Zugang zu Ihren Geschäftsinhalten zu geben. Dokumente werden in Chunks aufgeteilt, in Vektor-Embeddings umgewandelt und für die semantische Suche gespeichert.Navigieren Sie zum Tab Wissensdatenbank im Agenten-Panel. Hier wählen Sie aus, welche Daten der Agent für seine Antworten verwenden soll.
Öffnen Sie die RAG-Einstellungen über das Zahnrad-Symbol (⚙) im Speicherpanel der Wissensdatenbank. Alle Einstellungen gelten pro Unternehmen und werden automatisch gespeichert.
Wählen Sie das Modell zur Umwandlung Ihres Textes in Vektor-Embeddings:
Modell
Anbieter
Dimensionen
Preis
Ideal für
text-embedding-3-small
OpenAI
1536
$0.02/1M Token
Allgemeine Nutzung, englischer Inhalt
text-embedding-3-large
OpenAI
1536
$0.13/1M Token
Höhere Genauigkeit, englischer Inhalt
BGE-M3
DeepInfra
1024
$0.01/1M Token
Mehrsprachiger Inhalt (100+ Sprachen)
Das Ändern des Embedding-Modells löscht alle bestehenden Embeddings des Unternehmens. Nach dem Wechsel müssen alle Agenten neu trainiert werden. Vor der Änderung erscheint ein Bestätigungsdialog.
Wie viele Textfragmente pro RAG-Suche zurückgegeben werden (1–20). Standard: 5.Höhere Werte liefern mehr Kontext für das LLM, erhöhen aber den Token-Verbrauch.
Maximale Zeichen pro Fragment beim Aufteilen von Dokumenten (500–10.000). Standard: 1.500.Kleinere Fragmente ermöglichen präziseres Retrieval. Größere bewahren mehr Kontext pro Ergebnis.
Überlappung zwischen aufeinanderfolgenden Fragmenten (0–40%). Standard: 15%.Überlappung stellt sicher, dass wichtiger Kontext an Fragment-Grenzen nicht verloren geht. Mehr Überlappung erzeugt mehr Chunks und verbraucht mehr Speicher.
Minimale Kosinus-Ähnlichkeit für ein Ergebnis (0,1–1,0). Standard: 0,35.Niedrigere Werte liefern mehr Ergebnisse (besserer Recall). Höhere Werte liefern nur hochrelevante Ergebnisse (bessere Präzision). Für mehrsprachige Inhalte verwenden Sie niedrigere Schwellen (0,3–0,4).
Wenn Sie Projektdokumentation haben (Website-Seiten, Dokumentationsportal, README-Dateien, Wiki) und diese in eine strukturierte Wissensdatenbank für Ihren Revol AI-Agenten umwandeln möchten, können Sie Claude Code verwenden, um die Dokumentation zu analysieren und uploadfertige TXT-Dateien zu generieren.
Prompt zur Generierung der Wissensdatenbank
# Anleitung: Wissensdatenbank-Dateien aus Dokumentation generieren## KontextIch verwende Revol — eine Plattform zur Erstellung vonAI-Vertriebsagenten mit RAG (Retrieval-Augmented Generation).Mein Agent beantwortet Fragen mithilfe einer Wissensdatenbank:Hochgeladene Dateien werden in Chunks aufgeteilt (max. 2000Zeichen, 20% Überlappung), über OpenAI text-embedding-ada-002(1536 Dimensionen) eingebettet, in PostgreSQL mit pgvectorgespeichert und zur Inferenzzeit per Kosinus-Ähnlichkeitdurchsucht.Ich muss meine Projektdokumentation in eine Reihe von.txt-Dateien umwandeln, die für diese RAG-Pipeline optimiertsind — damit der Agent genaue Antworten finden und zitieren kann.## Wie RAG-Chunking funktioniert (wichtig für die Dateistruktur)- Jede Datei wird in Chunks von ~2000 Zeichen mit 20% Überlappung an Satzgrenzen aufgeteilt- Der Dateiname wird Teil der Embedding-Metadaten — verwenden Sie beschreibende Namen- Kürzere, fokussierte Dateien funktionieren besser als eine große Datei- Jeder Chunk sollte eigenständig verständlich sein- Strukturierter Inhalt (Listen, Tabellen als Text, klare Überschriften) wird besser aufgeteilt als Fließtext## Deine Aufgabe### Schritt 1: Gesamte Dokumentation analysierenLies jede Dokumentationsdatei des Projekts. Identifizierefür jede Datei:1. Das behandelte Thema2. Wichtige Fakten, Einstellungen, Konfigurationen und Werte3. Schritt-für-Schritt-Anleitungen4. Funktionsbeschreibungen mit Details (Limits, Optionen, Formate)5. Preise, Pläne und Kontingente (falls zutreffend)6. Technische Details (APIs, Parameter, Integrationen)### Schritt 2: Dateistruktur planenGruppiere verwandte Inhalte nach logischen Themen. Jede Dateisollte EIN zusammenhängendes Thema abdecken. Zielgrößen:- Ideal: 2.000–6.000 Zeichen pro Datei (1–3 Chunks)- Maximum: 10.000 Zeichen (5 Chunks)- Bei größeren Themen in Unterthemen aufteilenNamenskonvention: {Themen-Name}.txt- Beschreibende Namen mit Bindestrichen- Keine Nummerierungspräfixe (Reihenfolge ist für RAG irrelevant)- Der Name sollte auf den Inhalt hinweisenBeispiele:- Platform-Overview.txt- Getting-Started.txt- Pricing-Plans.txt- API-Authentication.txt- Webhook-Integration.txt### Schritt 3: Dateien schreibenBefolge für jede Datei diese Regeln:Inhaltsregeln:- Beginne mit einer klaren Themenüberschrift als Klartext- Schreibe in Klartext — kein Markdown, kein HTML, keine JSX-Komponenten- Wandle Tabellen in lesbare Listen oder Schlüssel-Wert-Paare um- Wandle Schritt-für-Schritt-Anleitungen in nummerierte Listen um- Gib konkrete Werte an: Zahlen, Limits, Preise, Optionen, Standardwerte, Formate, URLs- Jeder Absatz sollte für sich verständlich sein (eigenständige Chunks)- Entferne Navigationselemente und Links ohne Informationswert- Behalte die Originalsprache der Dokumentation beiRAG-Optimierung:- Wichtige Informationen voranstellen — Antwort vor Erklärung- Einheitliche Terminologie in allen Dateien verwenden- Schlüsselbegriffe natürlich wiederholen (verbessert die Suche)- Bei Features mit Einstellungen: Name, Typ, Standardwert, Optionen und Beschreibung auflisten- Bei Integrationen: Anbieter, Auth-Methode, Setup-Schritte, verfügbare Tools/FunktionenWas ausgeschlossen werden soll:- Screenshots und Bildreferenzen- UI-Komponenten-Markup (Tabs, Accordions, Cards, Frames)- "Siehe auch"-Links und Navigation- Dekorativer Text und Marketing-Inhalte- Doppelter Inhalt### Schritt 4: Ausgabe erstellen1. Erstelle ein temporäres Verzeichnis (z.B. temp-knowledge-base/)2. Schreibe alle .txt-Dateien hinein3. Liste alle Dateien mit Größen und Themenbeschreibungen auf4. Gib eine Zusammenfassung: Gesamtzahl der Dateien und Größe## Optional: Workflow-Agent-Seeder generierenWenn das Projekt Revol verwendet und du auch einen AI-Agentenmit Workflow erstellen musst, generiere einen Laravel DatabaseSeeder, der:1. Einen AiAgent erstellt mit: - Passendem System-Prompt für Dokumentations-Support - LLM: gpt-4o-mini, temperature: 0.3 (Genauigkeit) - Personality: hohe Klarheit (8-9), hohe Formalität (6-7), wenig Humor (2-3), wenig Emoji (1-2)2. Einen Smart Router Workflow baut: - Start-Node mit Keyword-Edges zu Experten-Nodes - 3-6 Custom-"Experten"-Nodes, je eine Themengruppe - Jeder Experte hat ein conversation_goal mit Domänenbeschreibung - Jeder Experte hat search_documents + get_company_info Tools - Ein Fallback-Edge zu einem General Assistant Node - Alle Experten verbunden mit einem Formatter Node - Voice-Nodes (STT/TTS) standardmäßig inaktiv3. Keywords auf Edges sollten dem natürlichen Vokabular der Nutzer entsprechen## EingabeMeine Dokumentation befindet sich unter: [PFAD ODER URL]Projektname: [NAME]Projektbeschreibung: [KURZE BESCHREIBUNG]Target company_id für Seeder: [ID oder Seeder überspringen]
Dieser Prompt funktioniert am besten mit umfassenden Dokumentationsportalen, Produktdokumentationen, API-Referenzen und Wissensdatenbanken. Die generierten .txt-Dateien können direkt in den Revol File Manager hochgeladen werden — einfach per Drag & Drop und dann auf Train klicken.
