Retrieval Agent

Der Retrieval Agent ist der Document Intelligence Assistant ohne den Antwortschritt. Er führt die Retrieval-Hälfte von RAG aus – durchsucht Ihre Knowledge Base und gibt die relevantesten Dokumentenpassagen zurück – aber er ruft niemals ein Sprachmodell auf und schreibt niemals eine Antwort. Er gibt den Rohkontext (die gefundenen Passagen und deren Quellmetadaten) zur weiteren Verwendung zurück.

Stellen Sie ihn sich eher als einen spezialisierten Baustein vor, denn als einen vollständigen Chat-Assistenten. Während der Document Intelligence Assistant die Frage eines Benutzers beantwortet, findet der Retrieval Agent lediglich das relevante Material und stoppt.

Eine spezialisierte Komponente, kein allgemeiner Chat-Assistent

Dies ist ein fortschrittlicher, zusammensetzbarer Agent. Er verarbeitet keine normale Chat-Nachricht und erstellt keine konversationelle Antwort – er nimmt eine Frage entgegen und gibt Kontext zurück. In der aktuellen Plattform ist er nicht in den Workflow anderer Agents integriert (zum Beispiel delegiert der Document Navigation Assistant an einen vollständigen RAG-Agenten, nicht an diesen hier). Verwenden Sie ihn nur, wenn Sie Retrieval speziell von der Antwortgenerierung entkoppeln möchten. Wenn Sie einen Assistenten wünschen, der Fragen im Chat beantwortet, verwenden Sie den Document Intelligence Assistant.

Was er tut

1. Knowledge Base durchsuchen. Eine semantische Suche wird gegen die konfigurierte Knowledge Base ausgeführt und gibt die relevantesten Passagen zurück. Optional können angrenzende Chunks abgerufen werden, damit jede Passage ihren umgebenden Kontext beibehält.
2. Nach Quelldokument ordnen. Die abgerufenen Passagen werden gruppiert und nach dem Dokument, aus dem sie stammen, geordnet und in einem einzigen Kontextblock formatiert.
3. Kontext und Quellen zurückgeben. Der Agent beendet seine Arbeit, indem er den geordneten Kontext zusammen mit den strukturierten Quellpassagen zurückgibt – und stoppt. Es gibt keinen Schritt zur Antwortgenerierung.

Wann Sie ihn verwenden sollten

• Retrieval entkoppelt von der Generierung. Wenn Sie Grundmaterial abrufen und einem separaten Prozess zuführen möchten – einem benutzerdefinierten Frontend, einem anderen System oder einem Modell, das Sie selbst steuern.
• Retrieval überprüfen und debuggen. Wenn Sie genau sehen möchten, was eine Knowledge Base für eine bestimmte Frage zurückgibt, ohne die Antwort eines LLM.
• Zusammensetzung. Als wiederverwendbares Retrieval-Grundelement in benutzerdefinierten Workflows, wo die Antwortgenerierung an anderer Stelle stattfindet.

Wenn Sie einfach fundierte, zitierte Antworten im Chat wünschen, ist dies der falsche Agent – verwenden Sie den Document Intelligence Assistant, der denselben Retrieval-Schritt umschliesst und dann antwortet.

Was er bewusst weglässt

Im Vergleich zum Document Intelligence Assistant lässt der Retrieval Agent alles weg, was nicht Retrieval ist:

Fähigkeit	Document Intelligence Assistant	Retrieval Agent
Durchsucht Ihre Knowledge Base	✅	✅
Reranking	✅ (optional)	❌
Generiert eine Antwort mit einem LLM	✅	❌
Zitate in einer schriftlichen Antwort	✅	❌ (gibt Quellen als Daten zurück)
Kontext-Suffizienz-Guard / Multi-Hop	✅ (optional)	❌
Eignungs-Guard	✅ (optional)	❌
Benutzer- & Organisationsgedächtnis	✅ (optional)	❌

Dies ist der Grund, warum seine Konfiguration so schlank ist: Es gibt kein Chat-Modell, keine Temperatur, kein Reranking, keine Guards und keinen Speicher zu konfigurieren – nur die Knowledge Source.

Bevor Sie beginnen: Voraussetzungen

Der Retrieval Agent teilt die Daten-Voraussetzungen des Document Intelligence Assistant – aber es wird kein Chat-Modell benötigt, da er niemals Text generiert.

1. Eine gefüllte Knowledge Base. Eine vektor-indexierte Sammlung Ihrer Dokumente muss bereits existieren, gefüllt durch eine Datenerfassungs-Pipeline. Der Agent liest nur, was die Pipeline indiziert hat.
2. Ein Embedding-Modell, das mit dem zum Indizieren der Knowledge Base verwendeten Modell übereinstimmt – eine Nichtübereinstimmung führt stillschweigend zum Fehlschlagen der Suche.

Konfigurationsreferenz

Nur die Profilidentität und eine einzige Knowledge Source sind erforderlich.

Profilidentität

Feld	Typ	Erforderlich	Beschreibung
Agent ID	Text	Ja	Eindeutiger, URL-sicherer Identifier. Kleinbuchstaben, Ziffern, Unterstriche, Bindestriche.
Name	Text (pro Sprache)	Ja	Anzeigename.
Beschreibung	Text (pro Sprache)	Ja	Kurze Erklärung, wovon dieses Profil abruft.
Icon	Icon-Auswahl	Nein	Visueller Identifier.

Knowledge Source

Die einzelne Knowledge Base, die dieser Agent durchsucht. (Der Document Intelligence Assistant erlaubt mehrere; der Retrieval Agent nimmt genau eine.)

Feld	Typ	Standard	Beschreibung
Embedding-Modell	Modell-Auswahl	—	Muss dem Modell entsprechen, das zum Indizieren dieser Knowledge Base verwendet wurde. Erforderlich.
Vector Store	Knowledge-Base-Auswahl	—	Die Sammlung (und optionale Namespaces) zum Durchsuchen. Erforderlich.
K Abruf	Zahl	5	Wie viele Passagen abgerufen werden sollen. Bereich 1–100.
Abfragemodus	Auswahl	default	Suchstrategie: default (semantisch), hybrid (semantisch + Schlüsselwort) oder sparse (Schlüsselwort).
Knotentypen	Mehrfachauswahl	content	Dokumenten-Inhalt, übergeordnete Zusammenfassungs-Knoten oder beides abrufen. Mindestens einer erforderlich.
Vorherige/nächste abrufen	Optionale Gruppe	Aus	Auch die unmittelbar vor/nach jedem Treffer liegenden Chunks abrufen, um den umgebenden Kontext zu erhalten.
Zusammenfassungen abrufen	Optionale Gruppe	Aus	Auch übergeordnete Zusammenfassungs-Knoten abrufen.

Ausgabeformatierung

Feld	Typ	Standard	Beschreibung
Kontext-Prompt	Langer Text	(Standard-Kombinierer)	Optionale Vorlage, die steuert, wie die abgerufenen Passagen in den zurückgegebenen Kontextblock formatiert werden. Leer lassen, um den Standard zu verwenden.

Best Practices

Verwenden Sie die Knowledge Base wieder, die Sie bereits erstellt haben. Der Retrieval Agent liest dieselben Vektor-Sammlungen wie der Document Intelligence Assistant – verweisen Sie ihn auf eine bestehende, gut gepflegte Knowledge Base, anstatt eine neue aufzusetzen.

Stimmen Sie das Embedding-Modell mit dem Index ab. Wie bei jedem Retrieval Agent ist eine Nichtübereinstimmung des Embeddings die häufigste Ursache für leere Ergebnisse.

Bevorzugen Sie den Document Intelligence Assistant, es sei denn, Sie benötigen speziell den Rohkontext. Für nahezu alle Chat-basierten Fragen und Antworten ist der vollständige RAG-Agent die richtige Wahl. Wählen Sie den Retrieval Agent nur, wenn die Antwortgenerierung wirklich an anderer Stelle erfolgen soll.