Zum Hauptinhalt springen
Retrieval-Augmented Generation

RAG Chatbot für
Website und Dokumentation

Ein RAG-Chatbot für Websites, Dokumentation und Help-Center, der eigene Inhalte abruft, um Antworten darauf zu stützen. ChattyBox ist darauf ausgelegt, Fragen wie „Was ist im Pro-Tarif enthalten?“ anhand Ihrer veröffentlichten Seiten zu beantworten, und kann Quellenlinks bereitstellen – ohne dass Sie eine eigene Retrieval-Infrastruktur entwickeln oder hosten müssen.

Was ist RAG?

RAG kombiniert ein Sprachmodell mit abgerufenen Quelleninhalten. Bevor eine Antwort generiert wird, durchsucht der Chatbot Ihre veröffentlichten Seiten nach Passagen, die zur Frage passen.

Wenn Vertrauen in Antworten Priorität hat, kombinieren Sie diesen Retrieval-Workflow mit einem fundierten KI-Chatbot, der erfundene Antworten reduzieren soll durch Quellenbeschränkungen und Fallback-Verhalten.

1

Abrufen

Wenn ein Besucher eine Frage stellt, durchsucht ChattyBox indizierte Website-, Dokumentations-, Hilfe- und CMS-Inhalte nach relevanten Passagen.

2

Anreichern

Wir fügen diese relevanten Abschnitte als Kontext in die LLM-Eingabeaufforderung ein.

3

Erzeugen

Das Modell generiert eine knappe Antwort und kann Quelllinks enthalten, damit Besucher die Details überprüfen können.

Geprüfte redaktionelle Nachweise

Der vollständige RAG-Weg von der Quelle zur Antwort mit Quellenangabe

Ein zuverlässiges RAG-System ist eine Kette testbarer Stufen und kein einzelner Modellaufruf. Die folgende allgemeine Referenzarchitektur veranschaulicht Prüfungen für Inhaltsaufbereitung, Abruf, Generierung und Quellenangabe; sie ist keine Spezifikation der Fähigkeiten von ChattyBox.

Technische Autorin oder technischer Autor
ChattyBox-Entwicklung
Technische Prüfung
ChattyBox-Dokumentationsprüfung
Zuletzt aktualisiert
Informationen geprüft
July 9, 2026

Wird bei Änderungen des Abrufverhaltens und mindestens alle sechs Monate geprüft.

RAG-Architekturdiagramm mit den Stufen Crawlen, Parsen, Aufteilen, Einbetten, Abrufen, Prompten, Antworten und Zitieren
Quellen werden für einen Index aufbereitet, und der Chatbot sucht nach Passagen, um Antworten darauf zu stützen. Antworten können Links zu abgerufenen Seiten enthalten, anhand derer Benutzer die Belege prüfen können.
Jede Stufe besitzt eine eigene Ausgabe und Qualitätsprüfung; nur den abschließenden Text zu testen, verbirgt Indizierungs- und Abruffehler.
StufeBeispielhafter VorgangZu prüfende Kontrolle
Stufe
1. Crawlen
Beispielhafter Vorgang
Zulässige Seiten anhand von URLs und Sitemaps ermitteln.
Zu prüfende Kontrolle
Erwartete URLs sind vorhanden; ausgeschlossene und private Pfade fehlen.
Stufe
2. Parsen
Beispielhafter Vorgang
Nützlichen Seitentext extrahieren und Quellinformationen für den Abruf beibehalten.
Zu prüfende Kontrolle
Navigationsrauschen wird entfernt, ohne Befehle oder Versionsbezeichnungen zu verwerfen.
Stufe
3. Aufteilen
Beispielhafter Vorgang
Teilen Sie Inhalte in Passagen auf, die ihre Quellseiten-URL behalten.
Zu prüfende Kontrolle
Jede Passage ist für sich verständlich und behält Voraussetzungen bei.
Stufe
4. Einbetten
Beispielhafter Vorgang
Passagen für den semantischen Abgleich darstellen und Quellenmetadaten speichern.
Zu prüfende Kontrolle
Jeder Vektor verweist auf genau eine aktuelle, zulässige Quellenpassage.
Stufe
5. Abrufen
Beispielhafter Vorgang
Eine kleine Menge von Passagen anhand der Frage des Besuchers gewichten.
Zu prüfende Kontrolle
Recall@k-Tests bringen die Referenzpassage in die Kontextmenge.
Stufe
6. Prompten
Beispielhafter Vorgang
Frage, Passagen, Quellenmetadaten und Ausweichregeln kombinieren.
Zu prüfende Kontrolle
Prüfen Sie Anweisungen auf Konflikte mit den Vorgaben zur Fundierung und zum Ausweichverhalten; Prompts allein können deren Einhaltung nicht garantieren.
Stufe
7. Antworten
Beispielhafter Vorgang
Weisen Sie das Modell an, belegte Details zu nutzen oder bei unzureichenden Belegen abzulehnen.
Zu prüfende Kontrolle
Prüfen Sie Aussagen anhand des Kontexts; fehlender nutzbarer Kontext oder eine erkannte Inhaltslücke können ein Ausweichverhalten auslösen.
Stufe
8. Zitieren
Beispielhafter Vorgang
Geben Sie abgerufene Seiten-URLs für belegte Antworten zurück und prüfen Sie, ob sie die Antwort stützen.
Zu prüfende Kontrolle
Links sind erreichbar, entsprechen der Version und belegen die Aussage direkt.

Aktualität und Neuindizierung

Geänderte Inhalte müssen abgerufen und gespeichert werden, bevor ChattyBox sie nutzen kann. Der Vektorabruf hängt von aktualisierten Embeddings ab; in manchen Fällen kann ein Fallback auf gespeicherte Seiten Kontext liefern, ohne dass passende Textabschnitte gefunden werden. Aktualisierungen und Abrufe können sich dennoch verzögern oder fehlschlagen. Testen Sie daher repräsentative Antworten anhand aktueller Quellen, insbesondere bei Preisen, Richtlinien und versionierter Dokumentation.

Grenzen öffentlicher und privater Quellen

Öffentliche Seiten können einen Crawl-Umfang gemeinsam nutzen. Private, mandantenbezogene, mitarbeiterbezogene oder kontobezogene Daten benötigen eine authentifizierte Aufnahme und eine Autorisierung zum Abrufzeitpunkt, bevor Passagen in den Prompt gelangen. Robots-Regeln sind keine Zugriffskontrolle. Indizieren Sie niemals Geheimnisse und testen Sie, dass nicht autorisierte Identitäten keine Titel, Ausschnitte, URLs oder Antwortdetails aus eingeschränkten Quellen abrufen können.

Den Abruf bewerten, bevor der Text beurteilt wird

Verwenden Sie einen versionierten Fragensatz mit bekannten Quellenpassagen, erwarteten Aussagen und erwarteten Ausweichfällen. Führen Sie ihn nach Änderungen an Quellen, Aufteilung, Einbettung, Rangfolge oder Prompts aus und untersuchen Sie Fehler anschließend nach Stufe.

SignalMessmethodeAufgedeckter Fehler
Signal
Recall@k
Messmethode
Anteil beantwortbarer Fragen, bei denen eine Referenzpassage unter den ersten k Ergebnissen erscheint.
Aufgedeckter Fehler
Fehlende Crawl-Abdeckung, schwache Abschnitte, abweichendes Vokabular oder veraltete Einbettungen.
Signal
Qualität der Rangfolge
Messmethode
Reziproken Rang oder nDCG für als relevant bewertete Passagen erfassen.
Aufgedeckter Fehler
Eine relevante Seite ist vorhanden, wird aber von Rauschen oder einer veralteten Version übertroffen.
Signal
Beleg der Aussagen
Messmethode
Jede wesentliche Aussage anhand der dem Modell bereitgestellten Passagen prüfen.
Aufgedeckter Fehler
Die Antwort verbindet Annahmen mit Nachweisen oder übertreibt die Aussage der Quelle.
Signal
Genauigkeit der Quellenangaben
Messmethode
Prüfen, dass jede Quellenangabe erreichbar ist und die zugehörige Aussage direkt belegt.
Aufgedeckter Fehler
Die richtige Antwort verweist auf eine nur verwandte Seite oder auf die falsche Version.
Signal
Präzision und Trefferquote des Ausweichverhaltens
Messmethode
Nehmen Sie unbeantwortbare Fragen und Fragen mit widersprüchlichen Quellen auf; bewerten Sie korrekte Ablehnungen und verpasste Antworten.
Aufgedeckter Fehler
Der Bot rät ohne Nachweise oder lehnt trotz ausreichender Nachweise ab.
Signal
Aktualitätsverzögerung
Messmethode
Zeit von einer veröffentlichten Quellenänderung bis zu einer korrekt abgerufenen Antwort messen.
Aufgedeckter Fehler
Verzögerung beim erneuten Crawlen, doppelte veraltete Abschnitte oder fehlgeschlagene Weitergabe von Löschungen.

RAG für veränderliches, zuordenbares Wissen wählen

MethodeBeste EignungWichtige Grenze
Methode
Schlüsselwort- oder Websitesuche
Beste Eignung
Nutzende wünschen geordnete Seiten und lesen die Quelle selbst.
Wichtige Grenze
Erstellt keine zusammengefasste Antwort und kann semantische Übereinstimmungen übersehen.
Methode
RAG
Beste Eignung
Wissen ändert sich, Quellenangaben sind wichtig und Antworten erstrecken sich über wenige Passagen.
Wichtige Grenze
Die Qualität hängt von Crawl-Abdeckung, Abruf, Berechtigungen und Quellenqualität ab.
Methode
Feinabstimmung
Beste Eignung
Stabilen Stil, Format, Klassifizierung oder Aufgabenverhalten vermitteln.
Wichtige Grenze
Kein zuverlässiger Ersatz für aktuelle Fakten, Quellenangaben oder das Löschen von Quellen.
Methode
Prompting mit langem Kontext
Beste Eignung
Eine begrenzte Dokumentenmenge passt in den Kontext und jedes Element ist relevant.
Wichtige Grenze
Kosten und Rauschen wachsen mit dem Kontext; Berechtigungen und Aktualität benötigen weiterhin Kontrollen.

Wie bewertet man einen RAG-Chatbot für den Kundensupport?

Es gibt keine allgemein beste Option. Testen Sie Genauigkeit von Quellenangaben, Fallback-Verhalten, Aktualität der Quellen, widersprüchliche Inhalte, Eskalation, Grenzen für privaten Kontext, Analysen, Integrationen und Bereitstellungsaufwand anhand derselben Supportfragen.

Antworten aus öffentlichen Inhalten

Ein fokussierter RAG-Chatbot kann wiederkehrende Fragen aus freigegebenen Docs und Hilfeartikeln mit Quellenangaben und konservativem Fallback-Verhalten beantworten.

Kontovorgänge und Fallbearbeitung

Wählen Sie eine umfassendere Support-Suite, wenn Sie authentifizierte Kontovorgänge, Ticket-Routing, SLAs, Agenten-Arbeitsbereiche oder kanalübergreifende Abläufe benötigen.

Dieselben Grenztests durchführen

Beziehen Sie fehlende, veraltete, widersprüchliche, private und folgenschwere Fragen ein. Erfassen Sie zitierte URLs, Ablehnungen, Übergaben und Prüfnotizen, statt eine ungeprüfte Punktzahl zu veröffentlichen.

Support- und Eskalationsgrenze planen · Verknüpfte Quellennachweise bewerten · Checkliste zur Reduzierung von Halluzinationen verwenden

Ablauf von der Quelle zur Antwort

Angenommen, die indizierte Installationsseite besagt, dass das Widget-Skript unmittelbar vor dem schließenden body-Tag stehen soll. Der Abruf sollte diese Passage auswählen, der Prompt sollte unbelegte Platzierungsempfehlungen verbieten und die Antwort sollte die Anweisung mit der Installationsseite als Nachweis wiedergeben.

  1. 1. Die Frage wird eingebettet und mit zulässigen Abschnitten abgeglichen.
  2. 2. Die Installationspassage steht in der Rangfolge vor allgemeineren Widget-Seiten.
  3. 3. Das Modell wird angewiesen, das Platzierungsdetail aus dieser Passage für seine Antwort zu verwenden.
  4. 4. Die Quellenkarte führt den Nutzer zur genauen Dokumentationsseite.

Fahren Sie fort mit den Leitfäden zu Quellenangaben, Docusaurus KI-Chatbot mit Quellenangaben, Chatbots für Entwicklerdokumentation und dem MkDocs-KI-Chatbot mit Quellenangaben.

Dokumentationsassistent
Wo soll ich das Widget-Skript einfügen?
Fügen Sie das ChattyBox-Widget-Skript auf jeder Seite, auf der das Widget erscheinen soll, unmittelbar vor dem schließenden body-Tag ein.

Beispielhafte Unterhaltung – kein Live-Chat.

Bereitgestellt von ChattyBox

Wie ChattyBox den Abruf praktikabel hält

Durchsuchbarer Inhaltsindex

Ihre Website-, Dokumentations-, Help-Center- und CMS-Seiten werden indiziert, sodass der Chatbot die Inhalte durchsuchen kann, die Sie bereits veröffentlichen.

Einbettungsmodell

Einbettungen helfen, Fragen von Besuchern mit relevanten Quellenpassagen abzugleichen, auch wenn die Formulierung anders ist.

Fokussierter Abruf

ChattyBox sucht nach relevanten Quellinhalten, um sie als Kontext bereitzustellen; fehlt nutzbarer Kontext, kann eine Fallback-Antwort zurückgegeben werden.

Kontextbegrenztes Prompting

Das Modell wird angewiesen, anhand des abgerufenen Kontexts zu antworten und unbelegte Aussagen zu vermeiden. Diese Anweisungen garantieren keine korrekte Antwort.

Zitierlinks

Belegte Antworten können Links zu abgerufenen Quellseiten zur Prüfung enthalten. Bei Fallback-Antworten können Quellenangaben fehlen.

Fallback-Handhabung

Wenn relevanter Inhalt fehlt, kann der Bot ausweichen, statt eine unbelegte Antwort zu improvisieren.

RAG-Chatbot vs. generischer KI-Chatbot

Ein generischer Chatbot antwortet aus breitem Modellwissen und kann auch bei unbekannten Themen selbstsicher klingen. Ein RAG-Chatbot ruft zuerst Inhalte aus Ihren Seiten ab und wird angewiesen, diese zu verwenden; Quellenlinks können Benutzern helfen, die Antwort zu überprüfen, aber die Richtigkeit ist nicht garantiert.

Generischer KI-Chatbot
  • —Antwortet aus breitem Modellwissen statt aus Ihren Inhalten.
  • —Kann Funktionen, Preise oder Schritte erfinden, die nicht in Ihren Docs stehen.
  • —Keine klare Quelle, mit der sich die Antwort überprüfen lässt.
RAG-Chatbot
  • Ruft zuerst Inhalte aus Ihrer veröffentlichten Website, Ihren Docs und Help-Inhalten ab.
  • Kann einen konfigurierten Fallback verwenden, wenn der Abruf nicht genug Belege für eine Antwort enthält.
  • Kann belegende Seiten zitieren, damit Besucher die Nachweise hinter wesentlichen Aussagen prüfen können.

Wenn Zitate Priorität haben, kombinieren Sie Retrieval mit einem KI-Chatbot mit Quellenangaben, der belegte Antworten mit ihren Quellseiten verknüpft.

RAG ohne Neuaufbau Ihres Content-Stacks

Binden Sie Ihre bestehenden Website-Inhalte ein, testen Sie die Antwortqualität und betten Sie einen quellenzitierten Chatbot ein, wenn die Antworten überzeugen.

Kostenlos starten – Keine Kreditkarte