Zum Inhalt
DokumentationAnleitungAnbindungReferenzFehlerbehebung
DEEN

Konzept

Recall-Pipeline

Eine einzige Recall-Anfrage löst in knowmind drei Suchen parallel aus und fusioniert die Ergebnisse. Diese Seite beschreibt die Stufen, ihre Auswahl-Kriterien und die Reihenfolge.

Warum eine Hybrid-Suche

Eine reine Volltext-Suche findet wortwörtliche Treffer, geht aber an paraphrasierten Inhalten vorbei. Eine reine Vektor-Suche findet Paraphrasen, neigt aber zu thematisch ähnlichen, faktisch falschen Treffern. Ein Wissensgraph findet eng verwandte Entitäten, ohne sie inhaltlich gesehen zu haben. knowmind kombiniert alle drei und rankt das Ergebnis mit einem Cross-Encoder neu — robuster als jedes einzelne Verfahren.

Die Stufen

Eine Recall-Anfrage löst fünf Suchen parallel aus. RRF fusioniert die Ranglisten, der Cross-Encoder rerankt das Top-Feld.
  1. BM25 (Volltext): PostgreSQL-Volltext-Index mit tenant-spezifischer Sprachkonfiguration (Standard: deutsch). Findet wortwörtliche Übereinstimmungen schnell und ist robust gegen Tippfehler.
  2. Vektor-Suche: Embeddings mit intfloat/multilingual-e5-large (1024 Dimensionen), HNSW-Index in pgvector. Findet semantisch ähnliche Inhalte unabhängig von der Wortwahl.
  3. Graph-Suche: Volltextsuche über die Namen der Einträge im Wissensgraphen in Neo4j, auch der Personen, Organisationen und Projekte. Bei ihnen kommt die Beschreibung mit dem Treffer zurück, bei Dokumenten ein Textauszug. Berücksichtigt nur gültige Einträge Ihres Arbeitsbereichs.
  4. Identitäts- und Beziehungs-Stage: Bei Fragen nach einer konkreten Entität („Wer ist …“) oder einer Beziehung („Wer arbeitet für …“, „Welche Verträge mit …“) sucht knowmind den genannten Eintrag und folgt seinen benannten Beziehungen einen Schritt weit. Abgelehnte Beziehungen bleiben draußen. Vorn stehen Treffer, deren Eintrag mehr Begriffe der Frage trifft; bei Gleichstand gehen Beziehungen vor, die nicht auf eine Prüfung warten.
  5. Reciprocal-Rank-Fusion: Die Ranglisten der Stufen werden mit RRF (k=60) zu einer Gesamt-Rangliste fusioniert. Treffer mit guter Position in mehreren Stufen wandern nach oben.
  6. Cross-Encoder-Rerank: Die Top-Kandidaten gehen durch einen BGE-Reranker. Das ist der teuerste Schritt, läuft aber nur auf einer kurzen Liste — die finale Sortierung ist deutlich präziser als jede einzelne Stufe für sich.

Was es bedeutet für die Praxis

  • Die Pipeline sucht bei jeder Frage über Wörter, Bedeutung und Bezüge zugleich, gleich wie die Frage gestellt ist.
  • Beziehungen im Wissensgraph zahlen sich aus. Eine isolierte Erinnerung ist findbar, eine mit drei Beziehungen liefert mehr Kontext bei verwandten Fragen.
  • Mehrsprachige Korpora funktionieren, weil das Embedding-Modell mehrsprachig ist. Sprache der Frage und Sprache der Erinnerung müssen nicht übereinstimmen.

Benchmarks

Die Pipeline wird gegen einen öffentlichen Benchmark geprüft: github.com/Schubeler-Consulting/knowmind-benchmark. Reproduzierbare Vergleiche mit Volltext, klassischem Vector-RAG und Dateinamen-Suche; auf dem dort dokumentierten Korpus erreicht die knowmind-Pipeline einen deutlich höheren Recall.

Weiterführend