> ## Documentation Index > Fetch the complete documentation index at: https://revolai.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # 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. Wissensdatenbank Wissensdatenbank ## 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 Sie laden ein Dokument hoch oder fügen Inhalte hinzu. Der Inhalt wird in handhabbare Chunks aufgeteilt. Jeder Chunk wird mithilfe des ausgewählten Embedding-Modells in ein Vektor-Embedding umgewandelt. Embeddings werden in PostgreSQL mit der pgvector-Erweiterung gespeichert. Wenn ein Benutzer eine Frage stellt, werden die ähnlichsten Chunks mittels Kosinusähnlichkeit abgerufen. 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. ```text theme={null} # 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.