Kontextsuche (KI-Suche)

Auch wenn die Suchbegriffe nicht exakt übereinstimmen, findet die Suche verwandte Dateien, indem sie deren Bedeutung versteht.

Vor der Verwendung

In den Administratoreinstellungen muss die Wissensindexierung aktiviert sein. Nur Dateien, deren Indexierung abgeschlossen ist, werden von der Kontextsuche erfasst.

Die Kontextsuche wandelt die Bedeutung von Dateien in Vektoren um und speichert diese. Deshalb muss lokal ein Einbettungsmodell bereitstehen, das diese Umwandlung übernimmt.

Da Indexierung und Suche vollständig innerhalb des Arbeitsbereichs verarbeitet werden, verlassen die Dateien den Arbeitsbereich nicht.

Einbettungsmodell: Ein Modell, das Text in Vektoren umwandelt. Bei vielen deutschsprachigen Dokumenten empfiehlt sich ein Modell, das mehrere Sprachen gut beherrscht (z. B. bge-m3).
Um auch die Dokumentquellen anzuzeigen, muss die Indexierung mit diesem Einbettungsmodell abgeschlossen sein.

→ Einbettungsmodell vorbereiten und indexieren: Wissensindexierung einrichten

So suchen Sie

Wählen Sie im Menü links neben dem oberen Suchfeld „Kontextsuche“ aus.
KI-Suchassistenz Über die Schaltfläche 🪄 rechts neben dem Suchfeld aktivieren Sie die KI-Suchassistenz.

KI-Suchergebnisse

Die KI fasst die Suchergebnisse zusammen und nennt dazu die Quellen aus den internen Dokumenten.

Die Nummern der Dokumentquellen entsprechen der Reihenfolge in der Liste der Kontext-Ähnlichkeitssuche. Die als Quelle angezeigten Dokumente sind genau die Unterlagen, auf die sich die KI bei der Antwort gestützt hat.

Antworten auf Grundlage echter Dokumente (RAG)

Die Kontextsuche verlässt sich nicht allein auf das Allgemeinwissen der KI. Sie sucht zuerst im Arbeitsbereich die Dokumente, die zur Frage passen, übergibt deren Inhalt als Belegmaterial und zeigt die Antwort zusammen mit den Quellen an. Dieses Verfahren heißt Retrieval-Augmented Generation (RAG).

Das Auffinden echter Dokumente und ihre Verwendung in der Antwort erfolgt in zwei Schritten: Indexierung und Suche.

Indexierung (Vorbereitung)

Die Datei wird in Bedeutungseinheiten (Chunks) aufgeteilt.
Das Einbettungsmodell (z. B. bge-m3) wandelt jeden Chunk in einen Vektor um.
Die erzeugten Vektoren werden im Vektorspeicher des Arbeitsbereichs abgelegt.

Suche (bei einer Frage)

Auch die eingegebene Frage wird mit demselben Einbettungsmodell in einen Vektor umgewandelt.
Die Chunks, die dem Fragevektor am nächsten liegen, werden nach Ähnlichkeit geordnet ermittelt.
Die gefundenen Chunks werden der KI als Belegmaterial übergeben.
Die KI fasst auf dieser Grundlage die Antwort zusammen und zeigt die verwendeten Chunks als Dokumentquellen an.

Dank dieser Struktur finden Sie interne Dokumente mit ähnlicher Bedeutung, auch ohne den exakten Suchbegriff einzugeben. Da die KI-Antwort die tatsächlich herangezogenen Dokumentquellen anzeigt, können Sie die Grundlage der Antwort direkt öffnen und prüfen.

Frage und Dokumente müssen mit demselben Einbettungsmodell vektorisiert werden, damit sie vergleichbar sind. Wenn Sie das für die Indexierung verwendete Einbettungsmodell wechseln, müssen daher alle Dateien neu indexiert werden.

Unterschied zur allgemeinen Suche

	Allgemeine Suche	Kontextsuche
Verfahren	Textabgleich nach Schlüsselwörtern	Semantische Suche auf Basis von KI-Einbettungen
Suchbegriff	Exakte Wörter erforderlich	Natürliche Sprache und ähnliche Formulierungen möglich
Ziel	Dateiname und Dateiinhalt	Wissensindexierte Dateien
Voraussetzungen	Keine	Lokales Einbettungsmodell, Wissensindexierung

Hinweise

Unmittelbar nach der Indexierung können Suchergebnisse fehlen. Suchen Sie erst, wenn die Indexierung abgeschlossen ist.
Die KI-Suchergebnisse unterscheiden sich je nach Fragestellung. Probieren Sie verschiedene Formulierungen aus.
Leistung und Sprachunterstützung des Einbettungsmodells bestimmen die Suchqualität.
Wenn Sie das Einbettungsmodell austauschen, ist der vorhandene Index nicht mehr kompatibel, und eine vollständige Neuindexierung ist erforderlich.