CVS ist eine hybride RAG-Engine für Unternehmen, die sich keine selbstbewusste Falschantwort leisten können. Jede Stufe — Erfassung, Routing, Retrieval und Abstention — ist darauf ausgelegt, prüfbare Belege zu liefern statt Prosa, der Sie vertrauen müssen.
CVS verbindet sich direkt mit den Orten, an denen Ihr Wissen bereits lebt — SharePoint, Google Drive, Confluence, S3 und On-Premise-Dateiservern — und verarbeitet anschließend jedes Format mit dreifachem OCR und Vision: PDFs, Scans, DOCX, PPTX, XLSX und Bilder. Tabellen, Abbildungen und Seitenanker überstehen das Parsing unversehrt, sodass die Originalbelege später zurückgegeben werden können, statt umschrieben zu verschwinden.
Smart Chunking erzeugt semantisch kohärente Fragmente statt blinder Aufteilung in feste Längen. Jeder Chunk wird mit Entitäten, Metadaten, Dokument-Diffs und temporalen Fakten angereichert und anschließend gleichzeitig in einen mehrschichtigen Index geschrieben: einen pgvector-Speicher für semantische Treffer, einen BM25F-Volltextindex für exakte Begriffe, einen temporalen Neo4j-Wissensgraphen für Beziehungen sowie Metadaten- und Temporalindizes. Ein Durchlauf, fünf Retrieval-Oberflächen.
Nicht jede Frage verdient einen vollständigen Reasoning-Durchlauf. Ein zentraler Intent-Router klassifiziert jede Anfrage und leitet sie in eine von vier Bahnen: einen sofortigen Cache-Treffer ohne Token-Verbrauch; eine schnelle Standard-Hybridsuche; eine tiefe Synthese über mehrere Dokumente; oder einen Ultra-Reasoning-Pfad, der die Frage in einen gerichteten azyklischen Graphen (DAG) aus Teilanfragen zerlegt.
Diese tokensparende Kaskade bedeutet, dass einfache Fragen niemals ein teures LLM aufwecken, während wirklich schwierige Fragen über mehrere Dokumente die volle Zerlegung erhalten. Das Ergebnis ist planbare Latenz, planbare Kosten und keine bösen Token-Überraschungen pro Anfrage — allein die Kaskade senkt die LLM-Ausgaben um 85–95 % gegenüber naivem RAG.
CVS betreibt fünf Retriever gleichzeitig — Vektorsuche, Traversierung des Wissensgraphen, BM25F-Volltext, temporales Retrieval und Metadatenfilterung. Jeder sieht den Korpus anders und erfasst daher andere Belege: Semantik, Beziehungen, exakte Begriffe, zeitliche Gültigkeit und strukturierte Attribute. Kein einzelner Retriever muss perfekt sein.
Ihre sortierten Ergebnisse werden über Reciprocal Rank Fusion (k=60) zusammengeführt, danach sortiert ein Cross-Encoder die fusionierten Kandidaten neu, um eine kompakte Beleglage für den Antwortgenerator zusammenzustellen. Deshalb erreicht CVS 94,7 % Antwortgenauigkeit gegenüber den 67–73 %, die für Einzelretriever-Systeme wie einfaches RAG oder Copilot typisch sind.
Nach dem Retrieval stellt CVS vor der Antwort eine einzige Frage: Ist die Beleglage ausreichend? Falls ja, antwortet es mit Inline-Quellenangaben und schreibt die Interaktion in ein manipulationssicheres Audit-Log. Falls nein, verweigert es die Antwort klar, statt eine plausibel klingende Antwort zu erfinden — genau das Verhalten, das die meisten Enterprise-RAG-Pilotprojekte scheitern lässt.
Eine Abstention ist keine Sackgasse. Die unbeantwortete Frage wird an den zuständigen Fachexperten geleitet, dessen geprüfte Antwort erfasst und die Wissensbasis gepatcht wird, sodass die nächste Person sofort eine Antwort erhält. In der Produktion drückt das Halluzinationen unter 2 % gegenüber rund 19 % bei gewöhnlichem RAG.
Bringen Sie Ihre obskurste Spezifikation oder Ihre am häufigsten eskalierte Anfrage mit. Wir zeigen Ihnen den Belegpfad durchgängig — und genau, was passiert, wenn die Basis etwas nicht weiß.