> For the complete documentation index, see [llms.txt](https://docs.blockbrain.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.blockbrain.ai/de/for-users/all-about-knowledge-management/qualitatsstufen-und-erweiterte-einstellungen.md). # Qualitätsstufen und erweiterte Einstellungen Wählen Sie mit einem Klick eine komplette Verarbeitungskonfiguration aus oder passen Sie jede einzelne Einstellung selbst an. Wofür jede Stufe gedacht ist, was sie kostet und was jede erweiterte Einstellung bewirkt. Eine Smart Knowledge Base lässt Sie entscheiden, wie viel Aufwand in das Lesen und Indizieren Ihrer Dokumente fließt. Das geht mit einem Klick mit einer **Qualitätsstufe**, oder Feld für Feld in **erweiterten Einstellungen**. Diese Seite behandelt beides. Wenn Sie nur einen Abschnitt lesen, lesen Sie den ersten: Die Stufensteuerung reicht für die meisten aus. {% hint style="info" %} Qualitätsstufen sind dort verfügbar, wo sie für Ihre Organisation aktiviert sind. Wenn Sie die Steuerung nicht sehen, verwenden Ihre Wissensdatenbanken die Standardkonfiguration, die der unten beschriebenen Balanced-Stufe nahekommt. {% endhint %} ## Qualitätsstufen **Wo Sie sie finden:** die **Qualitätsstufe** Steuerung oben im Formular zum Erstellen und Bearbeiten der Wissensdatenbank, über dem Einbettungsmodell. Eine Stufe ist eine vollständige, vorgetestete Konfiguration. Wählen Sie eine aus, und alle untenstehenden Einstellungen werden für Sie gewählt. ### Wofür jede Stufe gedacht ist | Stufe | In einem Satz | Wählen Sie sie, wenn | | --------------------- | --------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | **Fast** | Liest und indiziert Ihre Dokumente ohne KI-Analyse jedes Abschnitts. | Sie haben viele Dokumente oder sie bestehen größtenteils aus normalem Text, und Sie möchten sie schnell und kostengünstig durchsuchbar machen. | | **Balanced** | Fügt jedem Abschnitt KI-Zusammenfassungen, Tags und Dokumentkontext hinzu. | Sie möchten die Allround-Option, und Ihre Dokumente enthalten gescannte PDFs, Berichte oder Verträge. | | **Precision** | Fügt einen Wissensgraphen hinzu, liest Tabellen aus einem Bild der Seite und trennt Abschnitte nach Bedeutung. | Ihre Dokumente sind voller komplexer Tabellen und Abbildungen, oder die Antwortqualität bei einer kleineren, hochwertigen Sammlung ist einen langsameren und teureren Indizierungslauf wert. | | **Benutzerdefiniert** | Ihre eigene Mischung. Sie werden automatisch hierher verschoben, sobald Sie eine erweiterte Einstellung ändern. | Sie haben einen konkreten Grund und wissen, welche Einstellung Sie ändern. | ### Was Sie erhalten | | Fast | Balanced | Precision | | ---------------------------------------------- | ---------------------- | ---------------------- | -------------------------------------- | | KI-Zusammenfassung und Tags pro Abschnitt | Nein | Ja | Ja | | Dokumentkontext zu jedem Abschnitt hinzugefügt | Nein | Ja | Ja | | Abschnittsgrenzen folgen der Bedeutung | Nein, feste Größe | Ja, regelbasiert | Ja, bedeutungsbasiert (am langsamsten) | | Tabellenverarbeitung | Standard | Erweitert | Maximum | | Lesen von Bildern und Scans | Auf jeder Stufe gleich | Auf jeder Stufe gleich | Auf jeder Stufe gleich | | Wissensgraph | Nein | Nein | Ja | | Ordnerbezogener Abruf | Nein | Ja | Ja | | Reranking zur Abfragezeit | Ja | Ja | Ja | ### Was die Stufen kosten Die folgenden Zahlen sind **gemessen**, nicht geschätzt: Die gleichen vierzehn Dokumente wurden auf jeder Stufe indiziert, wobei jedes Modell über alle drei Stufen hinweg identisch blieb, sodass sich nur die Einstellungen der Stufe unterscheiden. Genau so verhält sich das Produkt, denn **eine Stufe ändert Einstellungen, nicht Modelle**. Die Einbettungs-, Enrichment-, Vision- und OCR-Modelle Ihrer Organisation werden auf jeder Stufe verwendet. **Ihre Dokumente bestimmen die Rechnung weitaus stärker als die Stufe.** Das Lesen einer Seite und das Verstehen einer Seite sind getrennte Schritte, und die Leseschritte (Texterkennung, Bilderlesen, Tabellenlesen) laufen nur dann, wenn es etwas zu lesen gibt. **Eine realistische gemischte Sammlung**: zwei bildlastige PDFs, ein Foliensatz, zwei gescannte Seiten, ein fotografiertes Schild und sieben Wiki-ähnliche Textseiten, insgesamt 6,4 MB. Angaben in Recheneinheiten. | Stufe | Bilder und Scans lesen | Abschnitte verstehen | Einbettung | Gesamt | Gegenüber Fast | | ------------- | ---------------------- | -------------------- | ---------- | ---------- | -------------- | | **Fast** | 9 900 | 0 | 260 | **10 200** | 1x | | **Balanced** | 9 900 | 2 200 | 520 | **13 200** | **1,3x** | | **Precision** | 11 400 | 4 200 | 1 200 | **16 700** | **1,6x** | Bei Dokumenten wie diesen liegen die drei Stufen innerhalb eines Faktors von zwei auseinander, denn **das Lesen der Bilder macht auf jeder Stufe den Großteil der Kosten aus**. Bei Fast ist das praktisch die gesamte Rechnung: 97 Prozent entfielen auf das Lesen von Bildern und Scans und weniger als 3 Prozent auf die Einbettung. **Eine reine Textsammlung**: Word-Dateien, Wiki-Seiten, E-Mails, textbasierte PDFs. Nichts Visuelles zu lesen, daher kosten diese Schritte nichts und die Stufen unterscheiden sich. | Stufe | Abschnitte verstehen | Einbettung | Gesamt für die sieben Textseiten | Gegenüber Fast | | ------------- | -------------------- | ---------- | -------------------------------- | -------------- | | **Fast** | 0 | 260 | **260** | 1x | | **Balanced** | 2 200 | 520 | **2 700** | **10x** | | **Precision** | 4 200 | 1 200 | **5 400** | **21x** | Zehnmal klingt dramatisch, und absolut betrachtet sind es für ein Dutzend Dokumente nur ein paar tausend Recheneinheiten. Das Verhältnis ist groß, weil Fast bei Text überhaupt kein KI-Modell über einen Abschnitt laufen lässt, sodass es fast nichts gibt, wovon es ein Vielfaches sein könnte. **Warum Precision nicht weit über Balanced liegt.** Es führt pro Abschnitt einen KI-Aufruf mehr aus (vier statt drei) plus Entitätszusammenführung, und es erzeugt mehr Einbettungen, weil sein Chunker den Text sampelt. Bei denselben Modellen ist das ungefähr 1,3x bis 2x Balanced, was gemessen wurde. **Das Modell ist ebenso wichtig wie die Stufe.** Die obigen Zahlen verwenden ein leichtgewichtiges Enrichment-Modell, das knapp antwortet. Wenn das Enrichment-Modell Ihrer Organisation ein Reasoning-Modell ist, also eines, das vor der Antwort nachdenkt, wird das Denken als Ausgabe berechnet, und beim Schritt zur Faktenerkennung von Precision denkt es ausführlich. Gemessen mit so einem Modell lag Balanced bei 2,5x Fast und Precision bei 9x, wobei 98 Prozent der Abschnittskosten von Precision auf das Reasoning des Modells und nicht auf dessen Antworten entfielen. Wählen Sie für Enrichment ein leichtgewichtiges, nicht Reasoning-Modell, sofern Sie keinen Grund haben, es nicht zu tun. {% hint style="info" %} **Das Testen der Stufen an einem Ordner mit reinen Textdateien sagt Ihnen nicht, was sie bei Ihren echten Dokumenten kosten.** Es testet eine der drei Stufen und überspringt die beiden, die bei allem mit Bildern dominieren. Testen Sie an einer Stichprobe, die Ihrer Sammlung ähnelt, und lesen Sie dann den Wert in Ihrem Consumption-Dashboard ab. {% endhint %} Die Indizierungsgeschwindigkeit folgt den Kosten. Fast indizierte mehrere tausend Textdokumente in deutlich unter zwei Stunden, während Precision mit ungefähr zwei Dokumenten pro Minute lief. Bildlastige oder gescannte Dateien sind auf jeder Stufe langsamer. **Das Stellen von Fragen kostet auf allen drei Stufen dasselbe.** Reranking läuft auf jeder Abfrage auf jeder Stufe. Balanced und Precision fügen ordnerbezogenen Abruf hinzu, also eine zusätzliche Suche ohne KI-Aufruf. ### Liefert die teuerste Stufe die besten Antworten? Nicht immer, und das sollten Sie wissen, bevor Sie für Precision über eine große Sammlung hinweg zahlen. Gemessen an mehreren öffentlichen Benchmarks: * **Keine Stufe gewinnt überall.** Jede gewinnt bei einigen Dokumenttypen und verliert bei anderen. * **Bei sauberem, maschinenlesbarem Text liegen die Stufen gleichauf.** Bei den einfachsten Benchmarks liegen alle drei innerhalb von ein bis zwei Punkten beieinander, und die Stufensteuerung entscheidet nicht über Ihr Ergebnis. * **Precision ist die stärkere Wahl für komplexe Tabellen**, wegen des Tabellenlesens und nicht wegen des Wissensgraphen. * **Der Wissensgraph hilft bei präzisen, engen Fragen und kann breite Fragen verschlechtern.** Er verbessert die Reihenfolge der Ergebnisse, wenn nur wenige Ergebnisse berücksichtigt werden, und kann sie verschlechtern, wenn viele berücksichtigt werden. {% hint style="warning" %} **Ein wichtiger Vorbehalt, und er spricht für Precision.** Diese öffentlichen Benchmarks bestehen größtenteils aus sauberem, maschinenlesbarem Text, also genau aus dem Material, bei dem Precisions Vorteile nicht sichtbar werden können. Tabellen aus einem Seitenbild zu lesen und Abschnitte nach Bedeutung zu trennen hat bei einem sauberen digitalen Dokument nichts zu tun, daher fallen die vollen Kosten an und es liegt auf dem Niveau der günstigeren Stufen. Wenn Ihre Dokumente gescannt, fotografiert oder voller komplexer Tabellen und Abbildungen sind, kann die Lücke bei **Ihren** Daten erheblich größer sein, als die veröffentlichten Zahlen vermuten lassen. Siehe Retrieval-Qualität und Benchmarks, um zu erfahren, warum und wie Sie das an einer Stichprobe Ihrer eigenen Dokumente testen können. {% endhint %} **Praktischer Rat:** Beginnen Sie mit Balanced. Wechseln Sie zu Fast, wenn Indizierungskosten oder Geschwindigkeit das Problem sind. Wechseln Sie zu Precision, wenn Ihre Dokumente schwer zu lesen sind oder voller komplexer Tabellen. Wenn Sie unsicher sind, vergleichen Sie Balanced und Precision an einer Stichprobe Ihrer schwierigsten Dokumente, statt sich auf die Benchmark-Tabellen zu verlassen. ### Stufen wechseln * **Eine Stufe ändert Einstellungen, nicht Modelle.** Die Einbettungs-, Enrichment-, Vision- und OCR-Modelle Ihrer Organisation werden auf jeder Stufe verwendet, sodass sich die Stufen nur darin unterscheiden, wie viel Arbeit über Ihre Dokumente läuft. * **Das Ändern einer erweiterten Einstellung versetzt Sie nach Benutzerdefiniert.** Ihre Wissensdatenbank arbeitet genau wie konfiguriert weiter, sie wird nur nicht mehr durch eine benannte Stufe beschrieben. Wenn Sie erneut eine Stufe auswählen, werden die von der Stufe verwalteten Einstellungen ersetzt und der Rest bleibt unverändert. * **Ein Wechsel der Stufe verarbeitet von sich aus nichts neu.** Bestehende Dokumente behalten ihren aktuellen Index, bis Sie neu indizieren oder neu einbetten. Neue Uploads verwenden die neuen Einstellungen. ## Referenz der erweiterten Einstellungen Öffnen **Erweiterte Einstellungen** im Formular zum Erstellen oder Bearbeiten. Solange eine Stufe ausgewählt ist, werden hier ihre Werte angezeigt. Die Standardwerte funktionieren sofort gut, daher können Sie diesen Abschnitt gefahrlos überspringen und später zurückkommen. Das Formular hat zwei Gruppen, und sie verhalten sich sehr unterschiedlich. **Ingest-Einstellungen** ändern, wie Dokumente gelesen werden, und gelten daher für danach hinzugefügte Dokumente. **Abruf-Einstellungen** gelten zur Abfragezeit, also wirken sie sich bereits auf Ihre nächste Frage aus, ganz ohne Neuverarbeitung. ### Ingest-Einstellungen Wie Dokumente verarbeitet werden, wenn sie hinzugefügt werden. #### Chunk-Größe und Chunk-Überlappung **Chunk-Größe** ist ungefähr die Länge jedes Abschnitts in Zeichen. Der Standardwert ist 2 000, und die drei Qualitätsstufen verwenden 4 000. **Chunk-Überlappung** ist die Menge an Text, die zwischen einem Abschnitt und dem nächsten wiederholt wird, damit ein Satz an einer Grenze nicht halbiert wird. Der Standardwert ist 200. Kleinere Abschnitte liefern schärfere, fokussiertere Ergebnisse. Größere Abschnitte geben dem Assistenten mehr Kontext um jeden Treffer. Die Überlappung muss kleiner als die Chunk-Größe sein, andernfalls lässt sich das Formular nicht speichern. #### Semantisches Chunking Standardmäßig aktiviert. Teilt Abschnitte an natürlichen Bedeutungspausen, etwa am Ende eines Abschnitts oder bei einem Themenwechsel, statt nach einer festen Zeichenzahl. Abschnitte, die mitten im Argument enden, lassen sich schlecht abrufen, daher lohnt es sich meist, dies aktiviert zu lassen. #### Einbettungsbasiertes semantisches Chunking Standardmäßig deaktiviert, und es kann nicht mit der obigen Einstellung kombiniert werden. Statt Satz- und Absatzregeln zu verwenden, misst es, wo sich die Bedeutung tatsächlich verschiebt. Genauere Grenzen, merklich langsamer und teurer. Ein wichtiger Hinweis: Manche Einbettungsmodelle können pro Anfrage nur einen Textabschnitt verarbeiten, und diese Option würde dann eine Anfrage pro Satz benötigen. Blockbrain lehnt diese Kombination ab, statt ein großes Dokument nie fertig werden zu lassen. Wenn Sie diese Meldung sehen, wählen Sie eine andere Chunking-Option oder ein anderes Einbettungsmodell. #### Kontextuelles Chunking Standardmäßig aktiviert. Schreibt eine kurze Beschreibung des gesamten Dokuments und stellt sie vor jeden Abschnitt, bevor indiziert wird. Ein Abschnitt, der sagt "die Zahl stieg auf 12 Prozent", ist für sich genommen schwer zu finden. Mit Dokumentkontext wird er als Teil des Umsatzberichts 2024 auffindbar. Kostet einen KI-Aufruf pro Dokument, ist also günstig und meist lohnend. #### KI-Tags und Zusammenfassungen generieren Standardmäßig aktiviert, und das ist der wichtigste Punkt. Führt über jeden Abschnitt ein KI-Modell aus, um eine Zusammenfassung zu schreiben, zu notieren, welche Frage er beantwortet, und ihn zu taggen. Diese Zusammenfassungen bilden dann eine zweite Möglichkeit, Ihre Dokumente zu durchsuchen, was besonders bei breiten Fragen hilft. Es kostet drei KI-Aufrufe pro Abschnitt. Das ist die mit Abstand größte Kostenposition in der gesamten Pipeline und der Hauptunterschied zwischen den Fast- und Balanced-Stufen. Wenn Ihre Dokumente normaler Text sind, lohnt es sich, zuerst Fast auszuprobieren und zu vergleichen. #### Benutzerdefinierte KI-Tagging-Aufforderung Die Anweisung, die an das Modell gesendet wird, wenn es einen Abschnitt taggt. Lassen Sie sie leer, um den abgestimmten Standard zu verwenden. Nützlich, wenn Sie Tags aus Ihrem eigenen Vokabular möchten, zum Beispiel Ihre Produktnamen oder Abteilungsnamen. #### Enrichment-LLM Das Modell, das die Zusammenfassungen und Tags erstellt. Wählen Sie **Systemstandard** sofern Sie keinen Grund haben, es anders zu tun, da es sowohl die Indizierungskosten als auch die Qualität beeinflusst. Gilt für Dokumente, die nach der Änderung indiziert werden, und bestehende Dokumente behalten die Zusammenfassungen, die das vorherige Modell geschrieben hat, bis Sie neu indizieren. #### Vision-Modell Liest Bilder, die in Ihren Dokumenten enthalten sind: Diagramme, Screenshots, Schaubilder und Fotos. Es transkribiert den sichtbaren Text, einschließlich Tabellenzeilen und Zahlen genau so, wie sie gedruckt sind, und beschreibt dann das Bild, sodass ein Diagramm seinen tatsächlichen Inhalt beiträgt und nicht nur die Worte "ein Balkendiagramm". Setzen Sie es auf **Aus** um kein Vision-Modell auszuführen. Das Bild wird weiterhin gespeichert und angezeigt, es liefert jedoch keinen Text für die Suche. #### OCR-Modell Liest seitenfüllende Bilder: gescannte Seiten, Seiten mit fast keinem auswählbaren Text und von Ihnen hochgeladene Bilddateien, etwa einen fotografierten Beleg. Setzen Sie es auf **Aus** und das Vision-Modell liest stattdessen diese Seiten, sodass ihr Text dennoch extrahiert wird. Setzen Sie beide auf Aus, wenn solche Seiten gespeichert werden sollen, ohne überhaupt gelesen zu werden. #### Schwellenwert für nahezu doppelte Ingests Wie ähnlich sich zwei Abschnitte sein müssen, bevor einer beim Indizieren als Duplikat verworfen wird. `0`, der Standardwert, entfernt nur exakte Duplikate. Erhöhen Sie ihn, wenn Ihre Dokumente viel Standardtext enthalten, zum Beispiel eine rechtliche Fußzeile auf jeder Seite. #### Wissensgraph erstellen Standardmäßig deaktiviert. Extrahiert die Fakten in Ihren Dokumenten und fasst die erwähnten Dinge jeweils zu einer Entität zusammen, sodass "Apple", "Apple Inc." und "AAPL" zu einer Sache statt zu drei werden. Das ermöglicht die Entitätssuche und die Graphansicht. Drei Dinge sorgen oft für Verwirrung: 1. **Es erfordert, dass KI-Tags und Zusammenfassungen aktiviert sind.** Ist das deaktiviert, werden überhaupt keine Fakten extrahiert, sodass Sie einen leeren Graphen erhalten würden. 2. **Das Aktivieren verarbeitet vorhandene Dokumente neu.** Dokumente, die vor der Aktivierung indiziert wurden, haben keinen Graphen, bis sie neu indiziert werden. 3. **Es kostet einen zusätzlichen KI-Aufruf pro Abschnitt**, plus Entitätszusammenführung pro Dokument, was es zur zweitteuersten Einstellung auf dieser Seite macht. #### LLM für den Wissensgraphen Wird nur angezeigt, wenn **Wissensgraph erstellen** aktiviert ist. Das Modell extrahiert die Fakten und führt die Entitäten zusammen, ist also die Einstellung, die die Graphqualität bestimmt. Da es einmal pro Abschnitt ausgeführt wird, bestimmt es auch die Kosten. **Wählen Sie hier kein leichtgewichtiges Modell.** In einem öffentlichen Benchmark erzeugte ein kleines Modell fast gar keinen Graphen, nur drei Entitäten über 185 Abschnitte, und meldete keinen Fehler. Der Graph sah erstellt aus, war aber leer. #### Tabellenverarbeitung Wie viel Aufwand in das Verstehen von Tabellen fließt: **Aus**, **Standard** (der Standardwert), **Erweitert** oder **Maximum**. Jede Option macht alles, was die vorherige macht, und fügt mehr hinzu, und eine höhere Einstellung fällt sicher zurück, sodass die Ergebnisse nie schlechter sind als auf der darunterliegenden Stufe. Dies wird vollständig, mit einem Vergleich Schritt für Schritt, unter **Tabellenverarbeitung** in Smart Knowledge Bases behandelt. **Eine gemessene Anmerkung und eine Korrektur.** In einem Benchmark mit Tabellen aus Finanzberichten schnitt die Stufe mit Enhanced schlechter ab als die Stufen mit Standard und Maximum, und wir lasen das zunächst so, als sei Enhanced die schwache Einstellung. **Ein direkter Test widerlegte das:** Wurde diese Stufe mit Standard-Tabellen ausgeführt, bei ansonsten identischen Bedingungen, erzielte sie dasselbe Ergebnis wie mit Enhanced. Also war die Tabelleneinstellung nicht der Grund für diese Lücke. Was bleibt: **Maximum liegt bei Tabellen vorn**, Standard ist ein solider Standardwert, und Enhanced lohnt sich, wenn Ihre Dokumente tatsächlich immer wieder dasselbe Tabellenlayout verwenden. Wenn Tabellen nicht Ihr Engpass sind, wird allein das Ändern dieser Einstellung Ihre Ergebnisse wahrscheinlich kaum verändern. ### Abruf-Einstellungen Wie Suchergebnisse zur Abfragezeit gewichtet werden. **Keine davon erfordert eine Neuverarbeitung Ihrer Dokumente**, also können Sie gefahrlos damit experimentieren. #### Ordnerbezogener Abruf Standardmäßig deaktiviert. Ordnet Ihre Ordner danach, wie gut ihre Zusammenfassung und Ihre Ordnerbeschreibung zur Frage passen, und hebt dann Ergebnisse aus den am besten passenden Ordnern hervor. Die gesamte Wissensdatenbank wird weiterhin durchsucht, sodass Dateien an anderen Stellen nie ausgeschlossen werden, sondern nur niedriger gerankt werden. Schalten Sie es ein, wenn Ihre Ordnerstruktur eine Bedeutung hat, zum Beispiel ein Ordner pro Kunde oder pro Jahr. Lassen Sie es aus, wenn Ordner willkürlich sind. Ein KI-Assistent kann es für eine einzelne Abfrage trotzdem übersteuern. #### Reranker-Modell Nachdem die erste Suche Kandidaten zurückgegeben hat, liest ein Reranking-Modell sie erneut im Hinblick auf die Frage und ordnet sie neu. Reranking ist standardmäßig aktiviert und ist die wertvollste einzelne Abruf-Einstellung, die wir gemessen haben: Die Aktivierung für die günstigste Stufe verbesserte die direkten Suchergebnisse in einem Benchmark um 26 Prozentpunkte. Diese Einstellung wählt aus, welches Modell diese Arbeit erledigt. Wählen Sie **Systemstandard** sofern Sie keinen Grund haben, etwas anderes zu tun. Sie wirkt sich auf die nächste Frage aus, ohne Neuverarbeitung, und wenn ein ausgewähltes Modell später entfernt wird, fällt die Suche von selbst auf den Systemstandard zurück. #### Schwellenwert für nahezu doppelte Suchergebnisse Wie ähnlich sich zwei Ergebnisse sein müssen, bevor eines als nahezu Duplikat ausgeblendet wird. Der Standardwert ist 0,95, und `0` deaktiviert ihn. #### Wissensgraph-Triple im Abruf verwenden Standardmäßig deaktiviert und nur nützlich, wenn **Wissensgraph erstellen** aktiviert ist und Ihre Dokumente damit indiziert wurden. Lässt die Fakten in Ihrem Wissensgraphen am Ranking teilnehmen und aktiviert die Entitätssuche. Das gemessene Verhalten wirkt in beide Richtungen, bei denselben Dokumenten und denselben Fragen: * Bei **engen, präzisen Fragen** half es eindeutig und verbesserte das Ranking der richtigen Antwort um etwa 16 Prozentpunkte. * Bei **breiten Fragen, bei denen ein Assistent viele Abschnitte berücksichtigt** schadete es eindeutig und verschlechterte das Ranking um bis zu 13 Prozentpunkte. Es ändert fast nie, ob der richtige Abschnitt gefunden wird. Es ändert, an welcher Stelle in der Liste er erscheint. Schalten Sie es für eine Wissensdatenbank mit präzisen, entitätsreichen Dokumenten wie Verträgen ein und lassen Sie es bei allgemeinen Sammlungen aus. #### Gewicht von Triple-Boost-Vektor und Überlappung Wie viel des Rankings aus Bedeutungsähnlichkeit gegenüber Faktenüberlappung stammt. Die beiden müssen zusammen 1,0 ergeben, und sie sind nur aktiv, wenn die obige Einstellung aktiviert ist. **Lassen Sie diese auf ihren Standardwerten** von 0,7 und 0,3, sofern Sie nicht Ihren eigenen Vergleich durchführen. ## Was eine Änderung neu verarbeitet Die praktische Frage beim Bearbeiten einer bestehenden Wissensdatenbank. | Änderung | Was passiert | | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Jede **Abruf-** Einstellung: Ordnerbegrenzung, Reranker-Modell, Triple, die beiden Gewichte, Suchduplikate | **Nichts neu zu verarbeiten.** Wirkt sich auf Ihre nächste Frage aus. | | **Einbettungsmodell** | **Neu einbetten.** Blockbrain berechnet nur die Vektoren neu und behält den gesamten extrahierten Text, die Zusammenfassungen, Tags und den Graphen bei. Viel schneller und günstiger als ein vollständiger Neuindex. | | **Einbettungsdimensionen** | **Index neu aufbauen.** Aufwendiger als ein erneutes Einbetten, und die Wissensdatenbank ist kurzzeitig nicht durchsuchbar. Erfordert, dass die Wissensdatenbank im Leerlauf ist. | | Chunk-Größe oder Überlappung, eine der beiden semantischen Chunking-Optionen, kontextuelles Chunking, KI-Tags und Zusammenfassungen, die Tagging-Aufforderung, Tabellenverarbeitung, Wissensgraph erstellen oder eines der Enrichment-, Vision-, OCR- oder Graph-Modelle | **Vollständiger Neuindex.** Die gespeicherten Abschnitte sind veraltet und müssen neu erzeugt werden. | Das Formular warnt Sie vor dem Speichern einer Änderung, die eine Neuverarbeitung erfordert, und bestätigt mit einem **Neue Einstellungen anwenden** Prompt, wenn der schnellere Neu-Einbettungsweg ausreicht. ## Drei Beispiele **"Ich habe 5 000 gemischte Dokumente und möchte, dass sie diese Woche durchsuchbar sind."** Fast, und lassen Sie alles andere unverändert. Wenn breite Fragen später enttäuschen, legen Sie eine Kopie auf Balanced und vergleichen Sie. **"Ich habe ein paar hundert Verträge und Leute stellen präzise Fragen zu Klauseln."** Balanced, plus **Wissensgraph erstellen** und **Wissensgraph-Triple im Abruf verwenden**. Wählen Sie ein vollwertiges Modell für den Graphen und akzeptieren Sie die langsamere Indizierung. **"Meine Dokumente sind voller komplexer Tabellen und Abbildungen, oder es sind Scans."** Dies ist der Fall, für den Precision gebaut wurde, und den öffentliche Benchmarks am schlechtesten vorhersagen. Testen Sie Precision im Vergleich zu Balanced an einer Stichprobe Ihrer schwierigsten Dokumente, bevor Sie eine große Sammlung darauf festlegen, und denken Sie daran, dass die beiden Stufen bei Dokumenten wie diesen innerhalb eines Faktors von zwei kosten. Wenn Tabellen das einzige Problem sind, dann ist Balanced mit **Tabellenverarbeitung** gesetzt auf **Maximum** bringt Ihnen einen Großteil des Nutzens für weniger Geld. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.blockbrain.ai/de/for-users/all-about-knowledge-management/qualitatsstufen-und-erweiterte-einstellungen.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.