Unternehmenswissen für KI-Agenten: eine Quelle für jeden Agenten

Unternehmenswissen für KI-Agenten ist ein durchsuchbarer Bestand an Entscheidungen, Abläufen und Fakten, mit dem Agenten aus dem antworten, was Ihr Unternehmen tatsächlich weiß. Ihr Unternehmen hat schon ein Gehirn. Es ist nur nicht aufgeschrieben. Die Aufgabe ist nicht, für jedes Tool einen eigenen Chatbot zu kaufen. Die Aufgabe ist, dieses Wissen an einem Ort aufzuschreiben und jeden Agenten auf demselben Weg darin nachschlagen zu lassen. Am Ende kennen Sie die vier Bausteine und haben Ihre ersten Einträge geschrieben. Schritt 1 und 2 dauern einen Nachmittag.

Was Unternehmenswissen für KI-Agenten ist

Eine Wissensdatenbank, die in einem einzigen Chat-Tool eingeschlossen ist, wird zum nächsten Silo. Das Muster hat vier Bausteine, keiner davon an einen Anbieter gebunden:

Dieser Leitfaden gehört zur Reihe Loops We Run. Der Grundlagenleitfaden wie wir unser Unternehmen mit KI-Agenten betreiben zeigt den Rest.

Das Wissen liegt an einem Ort, eine Pipeline hält den Index aktuell, und jeder Agent erreicht ihn über einen einzigen MCP-Server.

Sie trainieren kein Modell

„Die KI mit unseren Daten trainieren“ ist das falsche Bild. Ein guter Agent schlägt nach, bevor er antwortet, wie eine neue Mitarbeiterin mit aufgeschlagenem Ordner. Dieses Nachschlagen heißt Retrieval: Der Agent schickt die Frage an ein Suchwerkzeug, liest die zurückgegebenen Passagen und stützt seine Antwort darauf, mit Quellenangabe. Nichts wird neu trainiert. Um eine Antwort zu ändern, ändern Sie den Eintrag.

Larchmoor Cycles, der erfundene Laden in unseren Beispielen

Alle Beispiele nutzen Larchmoor Cycles, einen fiktiven Fahrradladen mit Reparaturwerkstatt und Verleih.

Schritt 1: Einen Aufgabenbereich wählen und die Fragen auflisten, die er beantworten muss

Fangen Sie bei den Fragen an, die heute schon gestellt werden. Eine Wissensdatenbank, die aus einer Dokumentenliste entsteht, beantwortet Fragen, die niemand hat. Wählen Sie einen Aufgabenbereich und schreiben Sie die Fragen dieses Monats dazu auf, von Kunden und vom Team, in deren eigenen Worten.

Larchmoor wählt Verleih und Rückgaben. Marens Liste:

1. Kann ich einen Helm zurückgeben, den ich im Laden anprobiert habe?
2. Wie hoch ist die Kaution für ein Leihrad?
3. Was passiert, wenn ich ein Leihrad beschädigt zurückbringe?
4. Kann ich mein Geld zurückbekommen statt eines Gutscheins?
5. Wie lange dauert eine Bremsenreparatur?
6. Haben Sie sonntags geöffnet?

Behalten Sie die Liste: Sie ist der Test in Schritt 6.

Schritt 2: Das Wissen Ihres Unternehmens an einem Ort sammeln

Schreiben Sie es auf, sobald es entsteht, ein Fakt pro Eintrag, sonst wird es nie aufgeschrieben. Heute steckt Larchmoors Wissen in Marens Kopf, in ihrem Posteingang und in drei alten Dokumenten.

Der eine Ort enthält zwei Arten von Inhalten, und zusammen bilden sie Ihre Wissensdatenbank für KI-Agenten. Die Dokumentation umfasst die Abläufe, Richtlinien und Preise, die Sie bereits schriftlich festhalten: returns-policy, rentals, repair-prices, opening-hours. Festgehaltene Einträge enthalten die Entscheidungen, Abläufe und Fakten, die Menschen bei der Arbeit lernen. Jeder Eintrag hat einen Titel, den Fakt, die Begründung, einen Verantwortlichen, ein Datum der letzten Prüfung, einen Geltungsbereich und, falls er abläuft, ein Ablaufdatum.

title:  Rental deposit is 100 per bike
fact:   Every rental bike takes a 100 deposit, refunded when it comes back undamaged.
why:    Chose 100 over 50 because a bent wheel costs about 100 to replace.
owner:  Maren
scope:  public

Jeder Eintrag enthält einen Fakt, den ein Agent für sich allein nutzen kann, mit seinem Geltungsbereich und, wo er abläuft, einem Datum.

Für eine vollständige Prüfung Ihrer Daten lesen Sie KI-Datenbereitschaft. Zum Gedächtnis zwischen Coding-Sessions siehe warum Claude Code den Kontext vergisst.

Sollen wir das mit Ihrem Team aufsetzen? Sagen Sie uns, welche Fragen Ihre Kunden und Ihr Team jede Woche stellen.

Schritt 3: Durchsuchbar nach Bedeutung machen

Kunden verwenden nie Ihre Wörter, deshalb lässt eine reine Wortsuche sie im Stich.

Wir teilen jedes Dokument in Passagen von etwa 8.000 Zeichen, geschnitten am Satzende, mit 200 Zeichen Überlappung zwischen benachbarten Passagen. 8.000 Zeichen reichen für eine ganze Regel samt Ausnahme. Die 200 Zeichen Überlappung verhindern, dass ein Satz in der Mitte zerschnitten wird. Jede Passage wird mit Quelle, Titel und Datum der letzten Änderung gespeichert und in ein Embedding umgewandelt.

Ein Embedding ist eine Liste von Zahlen, die erfasst, was eine Passage bedeutet. Zwei Texte mit derselben Bedeutung erhalten ähnliche Zahlen, auch wenn sie kein Wort gemeinsam haben.

Die Suche bewertet Bedeutung und Wörter gemeinsam und führt beides zu einer Rangfolge zusammen. Das ist semantische Suche mit Wortsuche daneben. Über die Bedeutung findet ein Kunde, der „Helm“ eintippt, den Eintrag „Protective gear returns“ (Rückgabe von Schutzausrüstung). Bei Teilenummern, Namen und Preisen gewinnen weiterhin die Wörter. Ist die Bedeutungssuche nicht verfügbar, greift die Suche auf Worttreffer zurück und kennzeichnet das Ergebnis als eingeschränkt, sodass der Agent trotzdem antwortet. Nutzen Sie einen Suchdienst, den Sie bereits haben, oder einen beliebigen Vektor- oder Hybridindex.

In der Frage steht „Helm“, in der Passage „Schutzausrüstung“, und die Suche nach Bedeutung setzt sie trotzdem auf Platz 1.

Schritt 4: Den Index mit einer Pipeline aktuell halten

Ein Index, der eine Woche alt ist, antwortet mit den Preisen der letzten Woche. Die Pipeline ist wichtiger als die Suchmaschine. Ein langes Dokument wird beim Update neu eingelesen: wenn es zum ersten Mal hinzugefügt wird oder wenn jemand eine neue Version speichert und das System bittet, sie neu einzulesen. Automatisch wird es nicht neu eingelesen.

Die Pipeline läuft mit zwei Auslösern:

Null geschriebene Passagen sind ein Fehler, nie „erledigt“. Der Lauf meldet eine Ursache und versucht es noch einmal. Jede Passagen-ID wird aus der Quelle und einem Fingerabdruck ihres Textes gebildet, sodass ein doppelter Pipeline-Lauf nie Kopien erzeugt.

Schritt 5: Jedem Agenten einen Zugang geben: einen MCP-Server

Jeder Agent verbindet sich über einen einzigen Server, und seine Zugriffsrechte entscheiden, was er sehen kann, nie seine Frage. MCP (Model Context Protocol) ist ein offener Standard, über den ein KI-Agent Tools auf einem Server aufrufen kann. Ein neuer Agent verbindet sich, ohne dass das Wissen für ihn neu aufgebaut wird.

Der Wissensserver von Larchmoor hat ein einziges schreibgeschütztes Tool, search_knowledge, das eine Frage und eine Ergebnisgrenze entgegennimmt. Standardmäßig geben wir die 5 besten Passagen zurück: genug, damit der Agent Quellen vergleichen kann, und wenig genug, um sie vollständig zu lesen. Jedes Ergebnis enthält Rang, Score, Titel, Quelle, Datum der letzten Änderung und einen Textauszug.

Jeder Eintrag hat ein Feld scope, und der Server filtert jede Suche nach den Zugriffsrechten des verbundenen Agenten (seinem Schlüssel oder seiner Anmeldung). Der Shop-Chat sieht nur public, Teos Claude und Marens ChatGPT sehen public und internal. Kein Kunde kann sich in interne Einträge hineinfragen.

Jeder Agent, der MCP spricht, verbindet sich mit der Adresse des Servers und einem Schlüssel oder einer Anmeldung. Eine themenfremde Frage liefert nichts, und Marens Anweisung weist den Chat an, das offen zu sagen, statt zu raten.

Schritt 6: Echte Fragen stellen, ein Lauf nachverfolgt

Testen Sie mit echten Fragen und korrigieren Sie das Wissen, nie die Antwort. Eine Frage von Marens Liste, Schritt für Schritt nachverfolgt:

1. Ein Kunde auf larchmoor.example.com fragt den Chat: „Kann ich einen Helm zurückgeben, den ich im Laden anprobiert habe?“
2. Der Chat ruft den MCP-Server auf. Sein Schlüssel trägt den Geltungsbereich public.

search_knowledge(query="return a helmet tried on in the shop", limit=5)

3. Der Server gibt 3 Passagen in Rangfolge zurück:

Der Agent ruft ein einziges MCP-Tool auf und erhält Passagen in Rangfolge, jede mit ihrer Quelle, bevor er die Antwort schreibt.

4. Der Chat antwortet auf Grundlage von Passage 1: „Unbenutzte Schutzausrüstung kann innerhalb von 30 Tagen mit Kassenbon zurückgegeben werden. Die Richtlinie deckt im Laden anprobierte Ausrüstung nicht ab, deshalb habe ich Ihre Frage an das Team weitergegeben.“ Quelle: Rückgaberichtlinie (returns-policy).
5. Das ist eine Lücke, keine schlechte Antwort. Maren entscheidet und schreibt einen Eintrag mit Geltungsbereich public: „Im Laden anprobierte Helme können innerhalb von 30 Tagen zurückgegeben werden, wenn sie draußen nicht getragen wurden.“ Begründung: Kunden probieren Größen im Laden an.
6. Der Eintrag wird beim Speichern indexiert. Der Index wächst von 40 auf 41 Passagen.
7. Bei derselben Frage steht jetzt Marens Eintrag auf Platz 1, und der Chat antwortet auf dieser Grundlage mit Quellenangabe.
8. Teo fragt seinen Claude, Geltungsbereich internal: „Wie montieren wir Tubeless-Reifen an einem Leihrad?“ Der Eintrag mit der Montageanleitung steht auf Platz 1. Für den zweiten Agenten wurde nichts neu aufgebaut.

Eine Frage gilt als bestanden, wenn die Antwort einen Eintrag zitiert, seine Quelle nennt und dieser Eintrag der einzige Ort ist, an dem die Regel steht. Gehen Sie jede Frage Ihrer Liste aus Schritt 1 so durch.

Was schiefgeht, und die Regel, die aus jedem Fehler entstand

Jeder Fehler, auf den wir gestoßen sind, war ein stiller: Etwas sah indexiert oder aktuell aus und war es nicht.

Auf die Prüfliste kommt außerdem jeder Eintrag, der in 5 oder mehr Suchen verwendet und 90 Tage lang nicht geprüft wurde. Aus Fehlern Regeln zu machen ist ein eigener Loop: ein selbstverbesserndes KI-System bauen.

Zwei Einträge, die sich widersprechen, ergeben zwei Antworten. Ersetzen Sie den alten, indexieren Sie neu und versehen Sie ablaufende Fakten mit einem Datum.

Sollen wir das für Ihr Unternehmen bauen?

Der erste Aufgabenbereich ist der schwierige Teil. Danach wird das Schreiben von Einträgen zur Gewohnheit. Bei Neomanex bauen wir die Wissensdatenbank, die Pipeline und den MCP-Server gemeinsam mit Ihnen, verbunden mit den Agenten, die Sie bereits nutzen. Ihr Team schreibt weiterhin die Einträge. Sagen Sie uns, welche Fragen jede Woche aufkommen.