Jarvis · Beta · Persönlicher KI-Assistent
Jarvis RAG und Wissensdatenbank
Wie Jarvis eigenes Wissen aufnimmt, durchsucht und für Antworten nutzt.
Ziel
Die Wissensdatenbank ist der Kern des Second-Brain-Ansatzes. Eigene Dokumente sollen nicht nur gespeichert, sondern inhaltlich erschlossen werden.
RAG verbindet Sprachmodelle mit eigenen Daten. Dadurch entstehen Antworten, die auf vorhandenen Quellen basieren und nicht nur aus allgemeinem Modellwissen kommen.
RAG-Komponenten
Parser Registry
TXT, Markdown, JSON, CSV, EML und PDF werden als Importformate unterstützt oder vorbereitet.
Chunk Store
Texte werden in suchbare Abschnitte zerlegt.
Embedding Provider
Lokale und cloudbasierte Embeddings erzeugen Vektoren für semantische Suche.
Hybrid Retrieval
Keyword-Suche und Vektorsuche werden kombiniert.
Citations
Antworten sollen auf konkrete Quellen und Abschnitte verweisen.
Quality Gate
Suchqualität muss über definierte Testfragen und Metriken geprüft werden.
Produktive Lücken
Für echte Produktreife müssen Parser vollständig in den Ingest-Pfad integriert werden.
PostgreSQL und pgvector müssen SQLite im Produktionspfad ersetzen.
Embedding-Provider brauchen harte Health Checks und nachvollziehbare Fehler statt stiller Fallbacks.