.svg)
001JAPANISCHES PRODUKTIONSUNTERNEHMEN · 2025–2026
Multilingualer RAG-Wissensagent für ein japanisches Produktionsunternehmen
5
KI-PROVIDER ORCHESTRIERT
Kuroko Labs entwickelte für ein japanisches Produktionsunternehmen eine dreistufige RAG-Pipeline, die fünf KI-Provider orchestriert. Ein domain-bewusster Query Planner zerlegt jede Frage in einen strukturierten Suchplan; bis zu sieben parallele Retrieval-Kanäle, semantisch via pgvector, lexikalisch via PGroonga, tabellarisch, graphbasiert via LightRAG, dazu E-Mail-, Entity- und Kanban-Suche, liefern Treffer aus Dokumenten, Postfächern und Meeting-Transkripten in Japanisch und Thai; Reciprocal Rank Fusion und Cohere Rerank konsolidieren die Ergebnisse, bevor ein vierstufiges Tier-System Tiefe, Latenz und Kosten jeder Antwort steuert. Das Resultat: einfache Fragen in unter vier Sekunden, tiefe Multi-Dokument-Analysen in unter 35, mit Zitat, Quelle und in der Sprache der Frage.
5
KI-Provider
Anthropic, OpenAI, Cohere, Mistral, Unstructured.io
7
Retrieval-Kanäle
Vektor, Volltext, Tabular, E-Mail, Graph, Entity, Kanban
4
Antwort-Tiers
Flash ≤4s bis Deep ≤35s
2
Sprachen
Japanisch und Thai
0,9
Self-Test-Score
100 Szenarien gegen die Live-Pipeline (max 1,0)
01 — AUSGANGSLAGE
Wissen, das niemand finden konnte
Der Kunde ist ein japanischer Textilhersteller mit Fertigungsstätten in Thailand. Das Unternehmen fertigt für internationale Modemarken, von der Garnauswahl bis zur fertigen Kollektion. Der CEO führt ein Unternehmen, dessen tägliches Geschäft auf präzise Kommunikation zwischen zwei Ländern, zwei Sprachen und tausenden von Dokumenten angewiesen ist.
Das Problem war nicht der Mangel an Dokumenten, sondern deren Unauffindbarkeit. Produktionsvorgaben lagen als PDFs in SharePoint, Qualitätsstandards als Excel-Tabellen mit japanischen und englischen Spalten, Kostenkalkulationen in verschachtelten XLSX-Sheets mit dutzenden Tabellenblättern, Entscheidungen in E-Mail-Threads und Meeting-Protokollen, und kritisches Wissen existierte nur in den Köpfen einzelner Mitarbeiter. Bei 5.000 Beschäftigten über mehrere Zeitzonen war das ein systemisches Risiko.
Die Sprachbarriere verschärfte das Problem fundamental: Japanische Mitarbeiter konnten englische oder thailändische Dokumente aus der Fabrik nicht effizient durchsuchen, thailändisches Personal hatte keinen Zugang zu japanischen Vorgaben, und umgekehrt. Japanisch ist dabei besonders herausfordernd: Kanji-Zeichen haben mehrere Lesungen (On- und Kun-Lesung), Wortgrenzen sind nicht durch Leerzeichen getrennt, und eine Suche nach „生産“ (Produktion) findet nicht automatisch „生産管理“ (Produktionsmanagement), obwohl der Kontext identisch ist.
Der Kunde brauchte keinen Chatbot. Sie brauchten einen Wissensagenten, der ihre gesamte Dokumentenlandschaft versteht, unabhängig von Sprache, Format oder Speicherort. Einen Agenten, der Produktcodes in Fragen erkennt, gezielt die richtigen Excel-Sheets ansteuert, und die Besonderheiten japanischer Schriftzeichen nicht nur toleriert, sondern aktiv nutzt.
∞
Fragmentiertes Wissen
SharePoint, E-Mail-Postfächer, Meeting-Transkripte, verschachtelte Excel-Sheets
2
Sprachbarriere
Japanisch und Thai, ohne gemeinsamen Index, Japanisch ohne Wortgrenzen
!
Keine Auffindbarkeit
Antworten in 60 Min Slack-Pingpong, falsche Dateiversionen
0
Firmengedächtnis
Zwei Länder, zwei Sprachen, kein gemeinsamer Wissensspeicher
02 — LÖSUNG
Eine dreistufige Pipeline statt einer einfachen Suche
Statt einer einfachen Vektor-Suche entwarf Kuroko Labs eine dreistufige RAG-Pipeline, die fünf KI-Provider orchestriert: Einen domain-bewussten Query Planner für strukturierte Suchplanung, bis zu sieben parallele Retrieval-Kanäle mit Reciprocal Rank Fusion, und ein vierstufiges Tier-System, das Tiefe, Latenz und Kosten jeder Anfrage steuert, von schnellen Faktenfragen in unter vier Sekunden bis zu tiefenanalytischen Recherchen über mehrere Excel-Mappen, Postfächer und Meeting-Reihen hinweg.
Der Query Planner (gpt-4o-mini, rund 300 Millisekunden) bildet die erste Stufe. Er kennt die Domäne, Markencodes, Produkttypen, Partnernamen, typische Sheet-Bezeichnungen, und zerlegt jede Frage in einen JSON-Plan: semantische Query in der Originalsprache für Embedding-Recall, multilinguale Keyword-Chains (Japanisch + Englisch + Thailändisch) für die Volltextsuche, automatisch erkannte Produktcodes und Marken-Aliasse als harte Filter, vorhergesagte Excel-Sheet-Namen und ein Komplexitäts-Tag, das die Frage einem der vier Antwort-Tiers zuweist. Ein Mitarbeiter-Resolver übersetzt Namen aus der Frage, auch in romanisierter Form wie „mori-san“, in die Kanji-Schreibweise des Dokumentenkorpus, und ein Redis-Cache beantwortet wiederholte Formulierungen in unter 30 Millisekunden.
Die Parallel Discovery bildet das Herzstück: pgvector mit HNSW-Index liefert semantische Ähnlichkeit (1.536-D OpenAI-Embeddings, Cosine), PGroonga mit TokenBigram-Tokenizer findet exakte Übereinstimmungen in japanischem Text, LightRAG liefert Entitätsbeziehungen aus dem Wissensgraphen, und je nach erkanntem Intent kommen Tabular-, E-Mail-, Entity-Fanout- und Kanban-Suche dazu. Alle Kanäle laufen parallel, die Gesamtlatenz ist die des langsamsten Kanals, nicht die Summe. Reciprocal Rank Fusion (k=60, sparse 0.6 / dense 0.4) konsolidiert die Listen mit Source-Diversity-Enforcement, das verhindert, dass ein einzelnes Dokument die Top-Ergebnisse dominiert. HyDE, eine hypothetische Antwort als zusätzlicher Suchvektor, und ein JP↔EN-Synonymwörterbuch mit über 40 Begriffsgruppen schließen die Lücke zwischen den Sprachen des Korpus.
Die Hybrid-Suche mit japanischen Kanji war die größte technische Herausforderung. Standard-Volltextsuche versagt bei Japanisch: keine Leerzeichen zwischen Wörtern, multiple Lesungen pro Zeichen, zusammengesetzte Begriffe. Die Lösung: PGroonga zerlegt japanischen Text in überlappende 2-Zeichen-Fragmente, Bigrams. Eine Suche nach „品質管理“ findet damit auch „品質管理報告書“, ohne dass je eine morphologische Analyse stattfinden muss. In Kombination mit einer Supabase-Funktion, die japanische Partikel automatisch als OR-Verknüpfungen auflöst, erreicht das System eine Trefferquote, die selbst erfahrene japanische Nutzer überrascht.
Die Dokumenten-Ingestion war eine eigene Herausforderung, und speist sich heute aus vier Quellen: SharePoint via Microsoft Graph Delta-Sync (inklusive gespiegelter Dokumentberechtigungen, jeder Nutzer sieht nur, was er auch in SharePoint sehen dürfte), E-Mail-Postfächer mit zweistufigem Relevanzfilter, Meeting-Transkripte per Webhook und Browser-Upload. Mistral OCR parst PDFs bis 35 MB (auch gescannte), ExcelJS übernimmt XLSX, Unstructured.io DOCX und PPTX. Japanische Texte erfordern eine sprachabhängige Chunking-Strategie: Target 800 Zeichen für Japanisch, 1.200 für lateinische Schrift, Overlap 150, mit Satzgrenz-Erkennung am japanischen Punkt 「。」 und Paragraph-Break im Englischen. Eine SHA-256-basierte Deduplizierung über Datei- und Chunk-Ebene verhindert redundante Verarbeitung bei erneuten Uploads.
PGROONGA TOKENBIGRAM
Wie japanischer Text ohne Wortgrenzen durchsuchbar wird
01
Dokument-Text
02
Bigram-Index Überlappende 2-Zeichen-Fragmente (keine Wörter)
03
Suchanfrage
03 — ARCHITEKTUR
Tabellen, die anfangen zu sprechen, und ein Graph, der mitdenkt
01QUERY PLANNER
Domain-bewusste Abfrageplanung pro Frage
Vor jeder Suche zerlegt ein Query Planner (gpt-4o-mini, deterministisch bei Temperatur 0) die Frage in einen JSON-Plan: semantische Query in der Originalsprache für Embeddings, multilinguale Keyword-Chains (JP+EN+TH) für die Volltextsuche, automatisch erkannte Produktcodes und Marken-Aliasse als harte Filter, vorhergesagte Excel-Sheet-Namen und ein Komplexitäts-Tag, das den Antwort-Tier bestimmt. Ein Mitarbeiter-Resolver mappt Namen aus der Frage („mori-san“) auf die Kanji-Schreibweise im Dokumentenkorpus, ein Redis-Cache beantwortet wiederholte Formulierungen in unter 30 Millisekunden.
300
MS Planungslatenz (Redis-Cache: <30 ms)
02PARALLEL DISCOVERY
Sieben Retrieval-Kanäle, eine Rangliste
pgvector mit HNSW-Index liefert semantische Treffer (1.536-D Embeddings, Cosine), PGroonga TokenBigram findet exakte Übereinstimmungen ohne MeCab oder morphologische Analyse, LightRAG liefert Entitätsbeziehungen aus dem Wissensgraphen, dazu kommen je nach Intent Tabular-, E-Mail-, Entity-Fanout- und Kanban-Suche. Reciprocal Rank Fusion (k=60, sparse 0.6 / dense 0.4) konsolidiert die Listen mit Source-Diversity (max. drei Chunks pro Dokument), bevor Cohere Rerank v3.5 die finale Auswahl bestimmt. HyDE und ein JP↔EN-Synonymwörterbuch mit über 40 Begriffsgruppen verbreitern den Recall über Sprachgrenzen hinweg.
7
Parallele Retrieval-Kanäle
03TABULAR DEEP DIVE
Excel-Tabellen, die zu sprechen anfangen
XLSX-Dateien werden zeilenweise in zwei Repräsentationen gespeichert: tab-separierter Klartext für PGroonga und HTML-Tabelle für die LLM-Synthese. Bei einem Treffer holt das System nicht nur die Treffer-Zeile, sondern auch Header-Zeilen, Seed-Zeilen und Sibling-Zeilen desselben Tabellenblocks, so sieht das Modell den vollen Kontext, nicht nur eine einzelne Zelle. Das Context-Budget skaliert tier-basiert von 15.000 bis 130.000 Zeichen.
130K
Zeichen Deep-Tier-Budget
04SYNTHESE
Vier Tiers von Flash bis Deep
Statt jede Anfrage mit dem teuersten Modell zu beantworten, klassifiziert der Planner jede Frage in einen von vier Tiers: Flash (≤4 s) für einfache Fakten, Fast (≤8 s) und Standard (≤18 s) mit Claude Haiku 4.5, Deep (≤35 s) mit Claude Sonnet 4.6 für multidokumentäre Analysen. Output-Budget, Retrieval-Pool und Kontextfenster wachsen mit jedem Tier (1.024 bis 8.192 Tokens). SSE-Streaming liefert die ersten Tokens sofort, ein Anti-Loop Session State verhindert Wiederholungen bei Folgefragen, und Guardrails blockieren sensible Themen wie Gehälter oder Personalentscheidungen.
4
Antwort-Tiers (≤4s bis ≤35s)
05INGESTION
Vier Quellen, ein Wissenspool
SharePoint wird via Microsoft Graph Delta-Sync gespiegelt, inklusive der Dokumentberechtigungen, sodass jeder Nutzer nur sieht, was er auch in SharePoint sehen dürfte. E-Mail-Postfächer laufen durch einen zweistufigen Relevanzfilter, Meeting-Transkripte landen per Webhook automatisch im Index, dazu kommt der Browser-Upload. Mistral OCR parst PDFs bis 35 MB (auch Scans), ExcelJS und Unstructured.io übernehmen XLSX, DOCX und PPTX. Sprachabhängiges Chunking (800 Zeichen JP / 1.200 Latein, Overlap 150) mit Satzgrenz-Erkennung am japanischen Punkt 「。」, SHA-256-Deduplizierung auf Datei- und Chunk-Ebene.
4
Quellen-Konnektoren
06FEEDBACK-LOOP
Lernendes Unternehmensprofil
Ein Learned-Facts-Loop extrahiert Korrekturen aus Nutzerfeedback (via gpt-4o-mini, gehärtet gegen Prompt-Injection) und injiziert sie in alle künftigen Synthesen, der Agent lernt ohne Re-Training. Ein 100-Query-Self-Test läuft als echter Nutzer gegen die Live-Pipeline und misst Score, Quellen-Abdeckung und Latenz pro Kategorie. Auf der Operations-Seite sorgen Circuit Breaker, exponentielles Retry, Cost-Tracker mit Stunden- und Tagesbudgets pro Provider und ein Alert-Manager für Stabilität im Produktivbetrieb.
100
Self-Test-Szenarien
Excel ist die Lingua Franca der Fertigung, und der härteste Brocken für jeden RAG. Eine Frage wie „Wie hoch ist der aktuelle Stückpreis für Artikel X?“ zielt auf eine einzelne Zelle in einem Sheet mit dutzenden Tabellenblättern, hunderten Zeilen und einer Header-Logik, die niemand vereinheitlicht hat.
Die Tabular-Deep-Dive-Logik löst das in zwei Schritten. Beim Ingestion-Vorgang speichert das System pro Zeile zwei Repräsentationen: einen tab-separierten Klartext für die PGroonga-Suche und eine HTML-Tabelle für die spätere LLM-Synthese. Bei einer Anfrage holt das System nicht nur die Treffer-Zeile, sondern auch Header-Zeilen, Seed-Zeilen und Sibling-Zeilen desselben Tabellenblocks, so sieht das Modell den vollen Kontext, nicht nur eine einzelne Zelle.
Vor der Synthese werden die HTML-Tabellen in kompaktes Markdown konvertiert (rund 30 % Token-Ersparnis), und ein tier-basiertes Context-Budget zwischen 15.000 und 130.000 Zeichen sorgt dafür, dass das Modell stets vollständige Quellen sieht, lieber drei komplette Dokumente als zehn abgeschnittene. Jede Quelle wird mit Dokumentname, Aktualisierungsdatum und Web-URL übergeben, die Antwort enthält am Ende nicht nur die Zahl, sondern auch den Verweis: „[Kostenkalkulation Q1.xlsx] Stand 2025-03-15“.
Wo Vektor- und Volltextsuche bei einzelnen Dokumenten enden, beginnt der LightRAG-Wissensgraph. Während des Imports extrahiert er automatisch Entitäten, Standorte, Lieferanten, Produktlinien, Berichte, und Relationen zwischen ihnen: wer liefert was, wer prüft was, wer dokumentiert was. Bei dokumentübergreifenden Fragen liefert er einen kurzen Pfad durch den Graph mit, sodass die Synthese die Verbindung versteht, statt sie zu raten. Die Visualisierung unten zeigt eine vereinfachte Sicht auf eine Fertigungs-Domäne, die Linien sind Beziehungen, die der Graph aus dem Korpus selbst gelernt hat.
Die Orchestrierung von fünf KI-Providern, Anthropic, OpenAI, Cohere, Mistral, Unstructured.io, war eine bewusste Architekturentscheidung. Jeder hat eine klar definierte Rolle: präzise multilinguale Embeddings, OCR-Qualität auf gescannten PDFs, semantisches Re-Ranking, kosteneffiziente Synthese und Office-Dokument-Extraktion. Statt jede Anfrage mit dem teuersten Modell zu beantworten, klassifiziert der Planner jede Frage in einen von vier Tiers, Flash (≤4 s), Fast (≤8 s) und Standard (≤18 s) mit Claude Haiku 4.5, Deep (≤35 s) mit Claude Sonnet 4.6 für multidokumentäre Analysen. Ein Anti-Loop Session State trackt bereits gesehene Chunks und verhindert, dass der Agent bei Follow-up-Fragen dieselben Ergebnisse wiederholt; Guardrails blockieren sensible Themen wie Gehälter oder Personalentscheidungen. Operativ sichern Circuit Breaker, exponentielles Retry mit Rate-Limit-Awareness, ein Cost-Tracker mit Stunden- und Tagesbudgets pro Provider und ein Alert-Manager die Stabilität im Produktivbetrieb.
LIGHTRAG WISSENSGRAPH — BEISPIEL-DOMÄNE FERTIGUNG
QUERY
品質管理 → 海外工場の検品報告
3 Entitäten, 2 Relationen, Pfad in unter einer Sekunde aufgelöst
04 — ERGEBNISSE
Gemessen statt versprochen: 0,9 von 1,0 im Live-Self-Test
5
KI-Provider orchestriert
7
Retrieval-Kanäle parallel
2
Sprachen im Index
0,9
Self-Test-Score (max 1,0)
METRIKVORHERNACHHER
WissenssucheSharePoint manuell, 3 Kollegen fragenEine Frage, eine Antwort mit Zitat
SprachbarriereManuell übersetzen oder ignorierenJP/TH automatisch im Hybrid-Index
Excel-RechercheSheet-Tabs durchscrollenTabular Deep Dive mit Header- und Sibling-Zeilen
Meeting-WissenVerdunstet nach dem TerminTranskripte automatisch ingestiert und abfragbar
QuellenvertrauenKeine RückverfolgungJede Antwort mit Dokumentlink und Snippet
Synthese-KostenPremium-Modell für jede FrageVier Tiers, Sonnet nur, wenn die Frage es braucht
Statt sich auf Eindrücke zu verlassen, läuft ein automatisierter Self-Test mit 100 Szenarien (83 nach Deduplizierung) als echter Nutzer gegen die Live-Pipeline, in acht Kategorien von einfachen Faktenfragen über Meeting-Zusammenfassungen und E-Mail-Lookups bis zu markenübergreifenden Analysen. Das Ergebnis: ein Gesamtscore von 0,9 von 1,0, mit Quellen-Nachweis in praktisch jeder Antwort. Und wenn die Wissensbasis eine Frage nicht hergibt, sagt der Agent genau das, statt zu halluzinieren.
Die Antwortzeit skaliert mit der Frage: Wiederkehrende Faktenfragen beantwortet der Cache in unter zwei Sekunden, der Flash-Tier liefert einfache Lookups in unter vier, und selbst tiefe Multi-Dokument-Analysen im Sonnet-Tier bleiben unter 35 Sekunden, SSE-Streaming zeigt die ersten Tokens dabei sofort. Für komplexe Fragen, die einen Tabular Deep Dive über Excel-Daten erfordern, ist das ein Bruchteil der Zeit, die ein Mitarbeiter für manuelle Recherche bräuchte, und die Antwort kommt mit Quellenlink, Snippet und Aktualisierungsdatum.
Qualität ist dabei kein einmaliger Abnahmetest, sondern ein laufender Regelkreis: Der Self-Test misst Score, Quellen-Abdeckung und Latenz pro Kategorie und deckt Schwachstellen auf, bevor Nutzer sie bemerken. Ein Learned-Facts-Loop extrahiert Korrekturen aus dem Nutzerfeedback, gehärtet gegen Prompt-Injection, und injiziert sie in alle künftigen Synthesen. Jede Antwort wird mit ihren Quelldokumenten verlinkt, jede Korrektur fließt zurück ins Lernen, Vertrauen durch Transparenz und einen Agenten, der mit jedem Tag präziser wird.
Das System verarbeitet Inhalte in Japanisch und Thai, aus SharePoint, E-Mail-Postfächern, Meeting-Transkripten und Browser-Uploads. Neue Dokumente werden dedupliziert, gechunkt, eingebettet und sind innerhalb von Minuten im Wissenspool verfügbar; die Zugriffsrechte aus SharePoint werden dabei pro Nutzer gespiegelt. Für ein Unternehmen mit Standorten in Japan und Thailand und zwei Arbeitssprachen ist das ein fundamentaler Wandel, ein Wissensagent, der nicht nur Dokumente findet, sondern auch versteht.
“
Die KI ist der Enabler, den wir brauchten: Unsere Mitarbeiter in Japan stellen eine Frage auf Japanisch und erhalten in Sekunden eine Antwort, die auf englischen oder thailändischen Dokumenten basiert. Das hat die Kommunikation zwischen unserem thailändischen und japanischen Team grundlegend optimiert.CEO, JAPANISCHES PRODUKTIONSUNTERNEHMEN
TECH STACK
Claude Haiku 4.5
Synthese (Flash-, Fast- & Standard-Tier)
Claude Sonnet 4.6
Synthese (Deep-Tier)
gpt-4o-mini
Query Planner & Learned-Facts-Extraktion
OpenAI Embeddings
text-embedding-3-small (1536-D)
Cohere Rerank v3.5
Finales Re-Ranking
Mistral OCR
PDF-Parsing inkl. Scans (bis 35 MB)
Unstructured.io
DOCX- & PPTX-Extraktion
Supabase + pgvector
Semantische Suche, HNSW-Index
PGroonga
Japanische Volltextsuche, TokenBigram
LightRAG
Wissensgraph, Entity & Relation
Microsoft Graph
SharePoint-Delta-Sync, E-Mail & ACL-Spiegelung
Whisper (self-hosted)
Meeting-Transkription, lokal
Node.js + Express
Backend, PM2-Cluster & SSE-Streaming
Redis
Planner- & Synthese-Cache, Rate Limiting
SSE
Echtzeit-Token-Streaming
AUSBLICK
Meeting-Transkripte und E-Mail-Postfächer, in der ersten Ausbaustufe noch Zukunftsmusik, sind heute produktive Wissensquellen. Die nächsten Schritte sind bereits definiert: Kostentransparenz pro einzelner Abfrage, eine feinere Intent-Klassifikation für noch präziseres Tier-Routing und eine tiefere Graph-Anreicherung, die Lieferanten, Produktlinien und Qualitätsberichte automatisch verknüpft. Der Wissenspool wächst mit jedem Meeting und jeder E-Mail weiter, ein Firmengedächtnis, das jedes neue Dokument in Minuten verstanden hat.
NÄCHSTER SCHRITT
Ähnliches Projekt?
KONTAKTIEREN SIE UNS KI-AGENTUR MÜNCHENALLE CASE STUDIESHäufig gestellte Fragen, RAG-Wissensagent Case Study
Wie funktioniert die multilinguale RAG-Suche von Kuroko Labs?+
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 oder Thai.
Welche Dokumentenformate werden unterstützt?+
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.
Warum orchestriert das System fünf verschiedene KI-Provider?+
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.
Kann Kuroko Labs eine ähnliche RAG-Lösung für mein Unternehmen entwickeln?+
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 RAG-Pipeline für genau diese Quellen. Erstgespräch und Potenzialanalyse sind kostenfrei.
Wie wird die Qualität der Antworten sichergestellt?+
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.