Wissensdatenbank

Trainieren Sie Ihren Agenten mit Dokumenten und Inhalten

​

Überblick

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.

​

Inhalte hinzufügen

​

Dokumente

Laden Sie Dateien in unterstützten Formaten hoch:

• PDF
• DOCX
• TXT

​

URLs

Geben Sie Webseiten-URLs an. Revol wird den Inhalt extrahieren und zur Wissensdatenbank hinzufügen.

​

Text

Fügen Sie Inhalte direkt als Textblöcke hinzu.

​

Wie RAG funktioniert

1. Hochladen

   Sie laden ein Dokument hoch oder fügen Inhalte hinzu.

2. Chunking

   Der Inhalt wird in handhabbare Chunks aufgeteilt.

3. Embedding

   Jeder Chunk wird mithilfe des ausgewählten Embedding-Modells in ein Vektor-Embedding umgewandelt.

4. Speicherung

   Embeddings werden in PostgreSQL mit der pgvector-Erweiterung gespeichert.

5. Abruf

   Wenn ein Benutzer eine Frage stellt, werden die ähnlichsten Chunks mittels Kosinusähnlichkeit abgerufen.

6. Generierung

   Abgerufene Chunks werden als Kontext in den LLM-Prompt injiziert.

​

RAG-Einstellungen

Öffnen Sie die RAG-Einstellungen über das Zahnrad-Symbol (⚙) im Speicherpanel der Wissensdatenbank. Alle Einstellungen gelten pro Unternehmen und werden automatisch gespeichert.

​

Embedding-Modell

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.

​

Chunk-Limit

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.

​

Zeichenlimit

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.

​

Chunk-Überlappung

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.

​

Ähnlichkeitsschwelle

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).

​

Speicherlimits

Plan	Wissensdokumente	Embedding-Tokens
Free	10	100.000
Premium	100	1.000.000
Professional	1.000	5.000.000

---

​

Wissensdatenbank mit Claude Code generieren

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

## Kontext

Ich verwende Revol — eine Plattform zur Erstellung von
AI-Vertriebsagenten mit RAG (Retrieval-Augmented Generation).
Mein Agent beantwortet Fragen mithilfe einer Wissensdatenbank:
Hochgeladene Dateien werden in Chunks aufgeteilt (max. 2000
Zeichen, 20% Überlappung), über OpenAI text-embedding-ada-002
(1536 Dimensionen) eingebettet, in PostgreSQL mit pgvector
gespeichert und zur Inferenzzeit per Kosinus-Ähnlichkeit
durchsucht.

Ich muss meine Projektdokumentation in eine Reihe von
.txt-Dateien umwandeln, die für diese RAG-Pipeline optimiert
sind — 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 analysieren

Lies jede Dokumentationsdatei des Projekts. Identifiziere
für jede Datei:

1. Das behandelte Thema
2. Wichtige Fakten, Einstellungen, Konfigurationen und Werte
3. Schritt-für-Schritt-Anleitungen
4. Funktionsbeschreibungen mit Details (Limits, Optionen, Formate)
5. Preise, Pläne und Kontingente (falls zutreffend)
6. Technische Details (APIs, Parameter, Integrationen)

### Schritt 2: Dateistruktur planen

Gruppiere verwandte Inhalte nach logischen Themen. Jede Datei
sollte 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 aufteilen

Namenskonvention: {Themen-Name}.txt
- Beschreibende Namen mit Bindestrichen
- Keine Nummerierungspräfixe (Reihenfolge ist für RAG irrelevant)
- Der Name sollte auf den Inhalt hinweisen

Beispiele:
- Platform-Overview.txt
- Getting-Started.txt
- Pricing-Plans.txt
- API-Authentication.txt
- Webhook-Integration.txt

### Schritt 3: Dateien schreiben

Befolge 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 bei

RAG-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/Funktionen

Was 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 erstellen

1. Erstelle ein temporäres Verzeichnis (z.B. temp-knowledge-base/)
2. Schreibe alle .txt-Dateien hinein
3. Liste alle Dateien mit Größen und Themenbeschreibungen auf
4. Gib eine Zusammenfassung: Gesamtzahl der Dateien und Größe

## Optional: Workflow-Agent-Seeder generieren

Wenn das Projekt Revol verwendet und du auch einen AI-Agenten
mit Workflow erstellen musst, generiere einen Laravel Database
Seeder, 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 inaktiv

3. Keywords auf Edges sollten dem natürlichen Vokabular
   der Nutzer entsprechen

## Eingabe

Meine 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.