RAG-Chatbot

Projektidee

Entwicklung eines firmeninternen Chatbots für den schnellen, intuitiven und zentralen Zugriff auf verteilte Unternehmensrichtlinien und Prozessdokumentationen.

Funktionsweise

Nutzer laden Dokumente lokal in das System hoch
Chatbot analysiert und erfasst den Inhalt der Dokumente
Anwendung ist über eine lokale Webseite aufrufbar
Angular-Frontend stellt eine flexible Benutzeroberfläche bereit
Wissensbasis wird durch weitere Dokumente individuell erweitert
Algorithmus ermittelt bei Anfragen passende Inhalte durch Ähnlichkeitsanalysen

Daten und Fakten

Frontend: Angular 20
Backend: Node.js 24.11.1
Datenbank: Supabase
KI-Architektur: GPT-5-mini (Sprachmodell) und text-embedding-3-large (Vektorisierung).
Datensicherheit & Flexibilität: Das System ist LLM-agnostisch (modular) aufgebaut. Die Modelle können flexibel ausgetauscht werden

Detaillierte Projektbeschreibung

Ausgangslage und Zielsetzung
Im Auftrag der Firma Systems wurde ein RAG-Chatbot (Retrieval-Augmented Generation) entwickelt. Ziel des Projektes ist es, den Mitarbeitenden einen schnellen, gezielten und zuverlässigen Zugriff auf interne Firmendokumente und die darin enthaltenen Informationen zu gewährleisten.

Technische Umsetzung
Die Lösung wurde als moderne Webanwendung realisiert, die sich aus einem Angular-Frontend und einem Node.js-Backend zusammensetzt. Um die komplexe Logik der semantischen Suche und der Textgenerierung abzubilden, wurden folgende Kerntechnologien integriert:

Supabase (Vektordatenbank): Dient der effizienten Speicherung der vektorisierten Dokumentendaten (Embeddings). Sie bildet die Grundlage, um bei Nutzeranfragen blitzschnell die relevantesten Textpassagen durch semantische Ähnlichkeitssuche abzurufen.

Vektorisierungsmodell (text-embedding-3-large): Wird eingesetzt, um die hochgeladenen Dokumente und deren Abschnitte in mathematische Vektoren zu übersetzen. Dadurch kann das System inhaltliche Zusammenhänge maschinell „verstehen“.

Sprachmodell (GPT-5-mini): Fungiert als kommunikative Schnittstelle. Das Backend leitet die aus der Datenbank extrahierten, relevanten Informationen an dieses Modell weiter. Das Modell formuliert daraus eine natürliche, menschenlesbare Antwort, die sich strikt auf die Fakten der hochgeladenen Firmendokumente stützt.

Fotos