Retrieval-Augmented Generation

RAG Chatbot für
Website und Dokumentation

Ein RAG-Chatbot für Websites, Dokumentation und Help-Center, der aus Ihren eigenen Inhalten abruft, statt zu raten. ChattyBox beantwortet Fragen wie „Was ist im Pro-Tarif enthalten?“ aus Ihren veröffentlichten Seiten und zitiert die Quelle – ohne eine benutzerdefinierte Abruf-Infrastruktur, die Sie bauen oder hosten müssen.

Stellen Sie RAG Chatbot bereit

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 vermeidet durch Quellenbeschränkungen und Fallback-Verhalten.

Abrufen

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

Anreichern

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

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. Diese Referenzarchitektur trennt Inhaltsaufbereitung, Abruf, Generierung und Quellenangabe, damit Teams Fehler lokalisieren und geänderte Quellen neu indizieren können, ohne ein Modell erneut zu trainieren.

Technische Autorin oder technischer Autor: ChattyBox-Entwicklung
Technische Prüfung: ChattyBox-Dokumentationsprüfung
Zuletzt aktualisiert: 9. Juli 2026
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, relevante Passagen für jede Frage abgerufen und Links zu belegenden Seiten in der Antwort beibehalten.

Jede Stufe besitzt eine eigene Ausgabe und Qualitätsprüfung; nur den abschließenden Text zu testen, verbirgt Indizierungs- und Abruffehler.
Stufe	Was geschieht	Zu prüfende Kontrolle
Stufe 1. Crawlen	Was geschieht Zulässige Seiten anhand von URLs und Sitemaps ermitteln.	Zu prüfende Kontrolle Erwartete URLs sind vorhanden; ausgeschlossene und private Pfade fehlen.
Stufe 2. Parsen	Was geschieht Überschriften, Fließtext, Listen, Tabellen, Code, kanonische URLs und Metadaten extrahieren.	Zu prüfende Kontrolle Navigationsrauschen wird entfernt, ohne Befehle oder Versionsbezeichnungen zu verwerfen.
Stufe 3. Aufteilen	Was geschieht 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	Was geschieht Passagen für den semantischen Abgleich darstellen und Quellenmetadaten speichern.	Zu prüfende Kontrolle Jeder Vektor verweist auf genau eine aktuelle, zulässige Quellenpassage.
Stufe 5. Abrufen	Was geschieht 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	Was geschieht Frage, Passagen, Quellenmetadaten und Ausweichregeln kombinieren.	Zu prüfende Kontrolle Anweisungen können Berechtigungen nicht erweitern oder Ausweichregeln außer Kraft setzen.
Stufe 7. Antworten	Was geschieht Weisen Sie das Modell an, belegte Details zu nutzen oder bei unzureichenden Belegen abzulehnen.	Zu prüfende Kontrolle Wesentliche Aussagen folgen dem Kontext; fehlende Nachweise lösen das Ausweichverhalten aus.
Stufe 8. Zitieren	Was geschieht 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

Eine Quellenänderung kann erst abgerufen werden, nachdem die betroffene Seite erneut gecrawlt, geparst, aufgeteilt und eingebettet wurde. Verfolgen Sie Quellenrevisionen, ersetzen Sie veraltete Abschnitte, statt Duplikate anzuhängen, entfernen Sie gelöschte Seiten und testen Sie nach der Neuindizierung repräsentative Antworten. Legen Sie die Häufigkeit erneuter Crawls anhand des kürzesten akzeptablen Zeitfensters für veraltete Antworten zu Preisen, Richtlinien und versionierter Dokumentation fest.

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.

Primärquellen und reproduzierbare Nachweise

NIST AI Risk Management FrameworkAnleitung zur Risikomessung und fortlaufenden Bewertung.OWASP Top 10 for LLM ApplicationsSicherheitsanleitung zu Prompt-Injection, Datenoffenlegung und Abrufgrenzen.

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.

Signal	Messmethode	Aufgedeckter 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

Methode	Beste Eignung	Wichtige 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. Die Frage wird eingebettet und mit zulässigen Abschnitten abgeglichen.
2. Die Installationspassage steht in der Rangfolge vor allgemeineren Widget-Seiten.
3. Das Modell beantwortet nur das in dieser Passage enthaltene Platzierungsdetail.
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.

iQuellen1^

Widget installieren

Technische Dokumentation

Eine Frage stellen...

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

Für jede Frage ruft ChattyBox eine kleine Menge relevanter Passagen ab, statt das Modell aus dem Gedächtnis antworten zu lassen.

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. Fallback-Antworten können ohne Quellenangaben auskommen.

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, sodass die Antwort an veröffentlichte Inhalte gebunden und überprüfbar ist.

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 unterstützte 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

RAG Chatbot für Website und Dokumentation