Multilingualer RAG-Wissensagent für ein japanisches Produktionsunternehmen

Eine dreistufige Pipeline: Ein domain-bewusster Query Planner zerlegt jede Frage in einen strukturierten Suchplan mit multilingualen Keywords und Produktcode-Filtern. Bis zu sieben parallele Suchkanäle — pgvector (semantisch), PGroonga TokenBigram (japanische Volltextsuche), LightRAG (Wissensgraph) sowie Tabular-, E-Mail-, Entity- und Kanban-Suche — liefern Ergebnisse, die per Reciprocal Rank Fusion konsolidiert und von Cohere Rerank v3.5 final bewertet werden. Claude synthetisiert daraus eine zitierte Antwort — auf Japanisch, Englisch, Thai oder Birmanisch.

PDF (inklusive gescannte Dokumente via Mistral OCR, bis 35 MB), DOCX, PPTX, XLSX und CSV. Excel-Dateien werden besonders behandelt: Ein Tabular Deep Dive erkennt automatisch Header-Zeilen, findet relevante Datenzeilen per Volltextsuche und erweitert den Kontext um benachbarte Zeilen. Als Quellen dienen SharePoint (per Microsoft Graph Delta-Sync inklusive gespiegelter Zugriffsrechte), E-Mail-Postfächer mit zweistufigem Relevanzfilter, automatisch ingestierte Meeting-Transkripte und der Browser-Upload.

Jeder Provider exzelliert in einer spezifischen Rolle: gpt-4o-mini als schneller Query Planner mit Produktcode-Erkennung, OpenAI Embeddings für die Vektorisierung, Cohere Rerank v3.5 für die semantische Relevanzoptimierung, Mistral OCR für hochqualitatives Dokumentenparsing, und Claude für die Tier-basierte Synthese — Haiku 4.5 für Flash- bis Standard-Anfragen, Sonnet 4.6 für tiefe Multi-Dokument-Analysen. Ein einzelnes Modell könnte nicht alle Anforderungen gleich gut abdecken.

Ja — die Architektur ist modular und auf jede Branche und Dokumentenlandschaft übertragbar. Ob juristische Dokumente, technische Handbücher oder Vertriebswissen: Kuroko Labs analysiert Ihre Informationsflüsse und baut eine maßgeschneiderte RAG-Pipeline. Erstgespräch und Potenzialanalyse sind kostenfrei.

Durch einen automatisierten Self-Test mit 100 Szenarien in acht Kategorien, der als echter Nutzer gegen die Live-Pipeline läuft (aktueller Gesamtscore: 0,9 von 1,0). Ein Learned Facts Feedback Loop extrahiert Nutzerkorrekturen und injiziert sie in zukünftige Synthesen. Guardrails blockieren sensible Themen, Hash-basierte Deduplizierung verhindert redundante Verarbeitung, und ein Anti-Loop Session State sorgt dafür, dass Follow-up-Fragen neue Ergebnisse liefern.