Deep Research mit Quellen und Wissensgraph: ein Rechercheassistent, der nichts vergisst
Ein guter KI-Rechercheassistent nennt seine Quellen und behält jede Antwort in einer durchsuchbaren Wissensbasis. Wie ich mir so ein System gebaut habe, mit semantischer Suche und einem Wissensgraphen, der Zusammenhänge sichtbar macht.
Ein guter Rechercheassistent tut zwei Dinge, die ein normaler Chatbot nicht tut: Er nennt seine Quellen, und er vergisst nichts. Für meine eigene tägliche Recherche habe ich mir genau so ein System gebaut: eine Chat-Oberfläche im Stil einer Recherche-Suchmaschine, die Antworten mit Belegen liefert und jede davon in einer durchsuchbaren Wissensbasis behält. Dieser Beitrag beschreibt die drei Bausteine dahinter, und was ein Betrieb daraus lernen kann.
Quellen statt Behauptungen
Der erste Baustein ist Nachvollziehbarkeit. Jede Antwort trägt sichtbare Quellen-Chips, die Seiten, die tatsächlich herangezogen wurden. Das klingt nach einem Detail, ist aber der entscheidende Unterschied zwischen „die KI sagt X“ und „das steht hier, und du kannst es selbst prüfen“.
Ein Sprachmodell ohne Quellen ist ein selbstbewusster Erzähler: Es klingt überzeugend, auch wenn es sich irrt. Sobald jede Aussage an einen Beleg gebunden ist, verschiebt sich die Rolle der KI vom Orakel zum Rechercheur, der dir die Fundstellen auf den Tisch legt. Für alles, worauf man Entscheidungen stützt, ist das keine Kür, sondern Pflicht.
Eine Wissensbasis, die über Sitzungen hinweg bleibt
Der zweite Baustein löst das Vergessen. Jede fertige Antwort wird automatisch in einer Wissensbasis gespeichert, nicht in einem einzelnen Browser-Tab, sondern serverseitig, sodass sie von jedem Gerät aus verfügbar bleibt. Aus flüchtigen Chats wird so ein wachsender, dauerhafter Bestand.
Damit dieser Bestand durchsuchbar ist, wird jeder Eintrag beim Speichern in einen Zahlenvektor übersetzt (ein Embedding). Eine spätere Suche übersetzt die Frage genauso und findet inhaltlich passende Einträge, auch wenn nicht die exakten Wörter vorkommen. Diese semantische Suche läuft serverseitig; der Rechner, an dem ich sitze, lädt kein Modell. Es ist dieselbe Idee wie im Beitrag über RAG mit Quellen statt Blackbox, nur angewandt auf die eigene Recherche statt auf Firmendokumente.
Der Wissensgraph: Zusammenhänge sehen statt Listen lesen
Der dritte Baustein macht die Struktur sichtbar. Eine Liste zeigt, was du recherchiert hast; ein Wissensgraph zeigt, wie es zusammenhängt. Jeder Eintrag ist ein Punkt, und inhaltlich ähnliche Einträge ziehen sich zueinander, die Ähnlichkeit aus den Embeddings wird zur räumlichen Nähe.
Das Ergebnis ist eine Karte des eigenen Wissens: Themencluster, die man nicht bewusst angelegt hat, tauchen als Ballungen auf; einzelne Ausreißer stehen für sich. So findet man Verbindungen zwischen Antworten, die Wochen auseinanderliegen, etwas, das eine chronologische Liste grundsätzlich verbirgt.
Auf jede neue Frage die eigene Recherche mitgeben
Diese drei Bausteine greifen ineinander. Stellt man eine neue Frage, sucht das System zuerst die inhaltlich nächsten Einträge aus der bestehenden Wissensbasis und gibt sie dem Modell als Kontext mit. Die KI antwortet also nicht bei null, sondern auf Basis deiner bisherigen Recherche. Je länger man das System nutzt, desto besser kennt es den eigenen Themenraum, ohne dass irgendetwas die Maschine verlässt.
Privat aus Prinzip
Das ganze System ist bewusst so gebaut, dass die Daten zu Hause bleiben: Die Wissensbasis liegt lokal auf meiner eigenen Maschine und ist nur im privaten Netz erreichbar. An das Sprachmodell geht pro Anfrage nur der nötige Ausschnitt. Das ist dieselbe Datensparsamkeit, die auch meine KI-Agenten leitet, nichts geht nach außen, was nicht nach außen muss.
Was ein Betrieb davon hat
Die meisten Betriebe brauchen keinen Recherche-Assistenten für das halbe Internet, aber viele hätten gern eine KI, die auf dem eigenen Wissen antwortet, ihre Quellen nennt und nichts vergisst. Genau diese drei Eigenschaften, Quellen, dauerhafte Wissensbasis, sichtbare Zusammenhänge, lassen sich auf Firmenwissen übertragen: Angebote, Protokolle, Handbücher, Fallakten. So etwas baue ich als KI & Automatisierung, zugeschnitten auf genau die Dokumente, mit denen du täglich arbeitest.
Wenn bei dir Wissen verstreut liegt und immer dieselben Fragen neu recherchiert werden: schreib mir. Wir schauen, ob sich daraus eine durchsuchbare, belegte Wissensbasis machen lässt, kontrolliert und auf deiner eigenen Seite.
Häufige Fragen
Was unterscheidet einen Rechercheassistenten von einem normalen Chatbot?
Ein normaler Chatbot antwortet aus dem Modell heraus und vergisst nach der Sitzung, was er gesagt hat. Ein Rechercheassistent sucht aktiv nach Belegen, nennt seine Quellen und legt jede fertige Antwort in einer dauerhaften Wissensbasis ab. Die Recherche bleibt so erhalten, durchsuchbar und über Geräte hinweg verfügbar.
Was bringt ein Wissensgraph?
Er zeigt, welche Rechercheergebnisse inhaltlich zusammenhängen: Ähnliche Themen erscheinen als verbundene Punkte, weiter entfernte als lose Inseln. So werden Verbindungen zwischen früheren Antworten sichtbar, die in einer reinen Liste untergehen, man sieht die Struktur des eigenen Wissens statt nur eine Chronik.
Bleiben meine Recherchen dabei privat?
Ja, wenn das System auf eigener Infrastruktur läuft. Bei mir liegt die gesamte Wissensbasis lokal auf meiner eigenen Maschine und ist nur im privaten Netz erreichbar. An das Sprachmodell geht pro Frage nur der Ausschnitt, der für die Antwort nötig ist, nicht die ganze Sammlung.