RAG-Wissensbasis verstehen¶

Der KI-Assistent in Kamerplanter antwortet nicht aus dem Gedächtnis eines allgemeinen Sprachmodells — er gründet jede Antwort auf Ihre eigenen Daten und eine kuratierte Wissensbasis. Diese Technik heißt Retrieval-Augmented Generation (RAG). Diese Seite erklärt, wie das System aufgebaut ist und warum es so funktioniert.

Warum RAG?¶

Ein Sprachmodell, das allein aus seinem Training antwortet, hat zwei Schwächen:

1. Halluzinationen — Es erfindet plausibel klingende, aber falsche Fakten
2. Kein Kontext — Es kennt nicht Ihre spezifische Pflanze, Ihre aktuellen Messwerte oder Ihre Pflegehistorie

RAG löst beide Probleme: Das System sucht vor jeder Antwort relevante Informationen aus einer geprüften Datenbank und stellt sie dem Modell als Grundlage bereit. Das Modell kombiniert diese Fakten mit Ihrer konkreten Situation — statt aus dem Gedächtnis zu spekulieren.

Das 4-Ebenen-Modell¶

Die Wissensbasis von Kamerplanter besteht aus vier Ebenen, die bei jeder Anfrage kombiniert werden.

graph TB
    subgraph "Ebene 1: Globale Stammdaten"
        E1[Pflanzenarten, Sorten, Wachstumsphasen,<br/>Nährstoffprofile, Schädlinge, Krankheiten]
    end

    subgraph "Ebene 2: Thematische Guides"
        E2[31 kuratierte Expertenwissen-Dateien:<br/>Diagnostik, Düngung, Bewässerung,<br/>Umwelt, Phasen, Outdoor, Allgemein]
    end

    subgraph "Ebene 3: Tenant-Kontext"
        E3[Aktiver Pflanzdurchlauf, Phase,<br/>Messwerte EC/pH/VPD,<br/>aktive IPM-Ereignisse, letzte Dünge-Ereignisse]
    end

    subgraph "Ebene 4: Ihre Pflanzdaten"
        E4[Pflegehistorie, Ernteergebnisse,<br/>Pflanztagebuch, Bestätigungen]
    end

    E1 --> RAG[RAG-Retriever<br/>pgvector]
    E2 --> RAG
    E3 --> CB[Context-Builder<br/>ArangoDB]
    E4 --> CB

    RAG --> PA[Prompt-Assembler]
    CB --> PA
    PA --> LLM[Sprachmodell]
    LLM --> Antwort

Ebenen 1 und 2 werden als Vektoren gespeichert und per Ähnlichkeitssuche abgerufen. Ebenen 3 und 4 werden zur Laufzeit als strukturierter Text in jede Anfrage eingefügt.

Ebene 1: Globale Stammdaten¶

Die Kamerplanter-Stammdaten sind die Grundlage aller Empfehlungen:

• Pflanzenarten mit Taxonomie, Pflegeanforderungen und Eigenschaften
• Sorten mit spezifischen Besonderheiten
• Wachstumsphasendefinitionen mit VPD-Zielen, Licht- und Temperaturanforderungen
• Nährstoffprofile pro Art und Phase
• Schädlings- und Krankheitsdaten mit Symptomen und Behandlungsmethoden

Diese Daten werden wöchentlich neu indexiert.

Ebene 2: Thematische Guides¶

Thematische Guides enthalten Querschnittswissen, das sich nicht aus den Stammdaten ableiten lässt — also Expertenwissen, das für viele Pflanzenarten und Situationen gilt. Aktuell umfasst die Wissensbasis 31 kuratierte Guides in sieben Kategorien:

Ebene 3: Tenant-Kontext (Echtzeit)¶

Bei jeder Anfrage holt der Context-Builder den aktuellen Zustand Ihrer Anlage aus der Datenbank:

• Aktive Pflanzdurchläufe mit aktueller Wachstumsphase und Phasendauer
• Letzte Messwerte: EC, pH, VPD, Temperatur, Luftfeuchtigkeit
• Aktive IPM-Ereignisse (Schädlingsbefall, Krankheiten, laufende Behandlungen)
• Letzte Dünge-Ereignisse mit Mengen und Produkten

Ebene 4: Ihre Pflanzdaten (Echtzeit)¶

Mit Ihrer Einwilligung fließen auch persönliche Pflegedaten in den Kontext:

• Pflegebestätigungen (wann wurde gegossen, gedüngt, geschnitten)
• Einträge im Pflanztagebuch
• Ergebnisse vergangener Ernten

Ein Ablauf-Beispiel¶

So läuft eine typische Anfrage durch das System:

Art: Cannabis sativa 'Northern Lights'
Phase: Flowering, Tag 21
EC: 1,2 mS/cm, pH: 5,8, VPD: 1,1 kPa
Letzte Düngung: vor 2 Tagen (Standard-Nährlösung)

Ohne die Thematischen Guides würde das Modell nur den Stammdaten-Kontext kennen und allgemeine Tipps geben. Ohne Ihren Echtzeit-Kontext (EC 1,2, Woche 3 Blüte) würde das Modell nicht wissen, dass die Situation grenzwertig ist.

Qualitätssicherung der Wissensbasis¶

Agrarbiologische Prüfung¶

Alle Guides und Stammdaten werden vor der Aufnahme von erfahrenen Pflanzenanwendern auf fachliche Korrektheit geprüft. Besonderes Augenmerk gilt:

• Korrekte VPD- und EC-Zielwerte pro Phase und Substrat
• Übereinstimmung von Symptombeschreibungen mit aktueller Fachliteratur
• Sicherheitshinweise (Mischungsreihenfolgen, Karenzzeiten)

Benchmark-Evaluation¶

Das System enthält 100 Benchmark-Fragen, deren Antworten bei jeder Wissensbasis-Aktualisierung automatisch evaluiert werden:

• Topic-Match — Sind die gefundenen RAG-Chunks relevant für die Frage?
• LLM-as-Judge — Bewertet ein zweites Modell die Antwortqualität
• A/B-Vergleich — Bei Modelländerungen: Verbesserung gegenüber der Vorversion?

Eigene Guides hinzufügen (Admin)¶

Tenant-Admins können eigene thematische Guides zur lokalen Wissensbasis hinzufügen. Das ist sinnvoll für:

• Sortenspezifisches Spezialwissen
• Betriebsinterne Protokolle und Erfahrungswerte
• Guides in anderen Sprachen

YAML-Format¶

---
title: Mein eigener Guide-Titel
category: duengung          # diagnostik | umwelt | duengung | bewaesserung | phasen | outdoor | allgemein
tags: [ec, naehrstoff, hydroponik]
expertise_level: [intermediate, expert]
applicable_phases: [vegetative, flowering]
chunks:
  - id: mein-erster-chunk
    title: Abschnittstitel
    content: |
      Hier steht das Wissen in Freitext. Der Inhalt wird als Vektor
      indexiert und bei passenden Anfragen abgerufen.

      Empfehlung: Konkrete, handlungsorientierte Texte sind
      besser als allgemeine Beschreibungen.
    metadata:
      nutrient: nitrogen
      substrate: coco

Guide hochladen¶

1. Öffnen Sie Einstellungen > KI-Wissensbasis
2. Klicken Sie auf Guide hochladen
3. Wählen Sie Ihre YAML-Datei aus
4. Das System validiert das Format und zeigt eine Vorschau
5. Bestätigen Sie mit Importieren

Der neue Guide wird beim nächsten Reindex-Zyklus (täglich, 06:00 Uhr UTC) in die Vektordatenbank aufgenommen. Sie können den Reindex auch manuell anstoßen.

Wissensbasis reindexieren (Operator/Entwickler)¶

Nach Änderungen an den Knowledge-YAML-Dateien unter spec/knowledge/rag/ müssen die Vektoren in pgvector neu berechnet werden. Das passiert automatisch wöchentlich (Sonntag 03:00 UTC), kann aber auch manuell angestoßen werden.

Voraussetzungen¶

• Die Knowledge-YAML-Dateien sind im Container unter /app/knowledge gemountet (passiert automatisch bei Skaffold-Deployment)
• VectorDB (pgvector) und Embedding-Service müssen laufen
• vectordb_enabled: true in der Backend-Konfiguration

Workflow: Chunk ändern → deployen → reindexieren → testen¶

# 1. Knowledge-YAML-Dateien bearbeiten
#    z.B. spec/knowledge/rag/diagnostik/naehrstoffmangel-symptome.yaml

# 2. Neu deployen (damit die Dateien im Container ankommen)
skaffold dev   # oder: skaffold run

# 3. Celery-Task manuell triggern
kubectl exec -it deploy/celery-worker -- \
  celery -A app.tasks call app.tasks.vector_indexing_tasks.reindex_vector_chunks

# 4. Benchmark laufen lassen (optional, empfohlen)
cd tools/rag-eval
source ~/.venvs/rag-eval/bin/activate
python eval_rag.py

Alternative: Task direkt im Python-Interpreter auslösen¶

kubectl exec -it deploy/celery-worker -- python -c "
from app.tasks.vector_indexing_tasks import reindex_vector_chunks
result = reindex_vector_chunks.delay()
print(f'Task ID: {result.id}')
"

Was passiert beim Reindex?¶

1. Alle YAML-Dateien unter /app/knowledge werden gelesen
2. Jeder Chunk wird mit dem Embedding-Modell vektorisiert (paraphrase-multilingual-MiniLM-L12-v2, 384 Dimensionen)
3. Vektoren werden per Upsert in ai_vector_chunks geschrieben (bestehende Chunks werden aktualisiert, neue hinzugefügt)
4. Der Task gibt eine Zusammenfassung zurück: Anzahl Dateien, Anzahl Chunks, Dauer

Häufige Fragen¶

Siehe auch¶

• KI-Assistent verwenden
• KI-Provider einrichten
• KI-Architektur (Entwickler)
• VPD-Optimierung
• Nährlösung mischen