KI-Integration: RAG & MCP
Was dazugehört
RAG über eigene Dokumente
Dokumente werden aufbereitet, in Abschnitte zerlegt und als Embeddings durchsuchbar gemacht. Das Modell formuliert nur aus den gefundenen Stellen – und die Antwort zeigt, woher sie stammt.
Chat- und Suchoberflächen
Direkt in der bestehenden Anwendung, mit Streaming und Quellenangaben. Die Darstellung macht kenntlich, dass Antworten nicht automatisch geprüft sind.
Austauschbare Modellanbindung
Die Anbindung an Modellanbieter wird gekapselt. Ein Wechsel des Anbieters oder der Umstieg auf ein selbst betriebenes Modell bedeutet keinen Umbau der halben Anwendung.
MCP-Server
Eigene Werkzeuge für ChatGPT, Claude und andere Assistenten. Im Shop LivaGlow gestalten Assistenten über einen MCP-Server mit 11 Tools Tassen und berechnen Preise.
Betrieb auf eigenen Servern
Wo Daten das Haus nicht verlassen sollen, läuft die Lösung containerisiert auf eigener Infrastruktur. Welche Daten welchen Dienst erreichen, wird vor der Umsetzung offengelegt.
Eigene Projekte
Skriza
Eigenes Produkt · Gründer · geschlossene Beta
Europäisches soziales Netzwerk mit Fokus auf Datenschutz und Sicherheit. Bot-Schutz und Reichweitenmessung sind eigene Bausteine anstelle von Google-Diensten; eigene KI-Modelle für Empfehlung und Moderation sind im Bau.
- Daten auf Servern in der EU
- Skriza Shield (Proof-of-Work)
- Messung ohne Cookie
- Eigene Empfehlungs- und Moderationsmodelle (im Bau)
yusufsenel.de
Diese Website · agent-ready
Diese Seite ist auch für KI-Agenten gebaut: jede Seite gibt es zusätzlich als Markdown, dazu llms.txt, eine MCP-Server-Card und Werkzeuge, die Browser-Agenten per WebMCP direkt aufrufen können.
- llms.txt & Markdown je Seite
- MCP-Server-Card
- WebMCP-Tools
- Strukturierte Daten (JSON-LD)
wischtig.de
Eigenes Magazin · Herausgeber & Entwickler
Magazin zu Ordnung, KMU-Digitalisierung und sinnvollem KI-Einsatz ; Themenauswahl, Redaktion und Technik mache ich selbst.
- Next.js & Server-Rendering
- Öffentliche Blog-API
- Zweisprachig
Dazu 53 gemergte Pull Requests in synaplan, einer quelloffenen KI-Plattform für den Betrieb auf eigenen Servern. GitHub
Wie ein Projekt abläuft
- 01
Anwendungsfall eingrenzen
Welche Frage soll beantwortet werden, von wem, auf Basis welcher Inhalte? Viele Aufgaben sind mit einer Suche oder einer Regel sauberer gelöst; das klären wir zuerst.
- 02
Datenbasis prüfen
Ohne gepflegte Inhalte bleibt die Antwortqualität Zufall. Der meiste Aufwand steckt in der Aufbereitung der Dokumente.
- 03
Prototyp mit echten Fragen
Ein schmaler Durchstich mit realen Dokumenten und realen Fragen zeigt früh, ob die Antworten gut genug sind, bevor in Oberfläche und Betrieb investiert wird.
- 04
Einbauen und betreiben
Integration in die Anwendung, Zeitlimits, Rückfallebene, Protokollierung von Aufrufen und Kosten. Danach Übergabe oder laufende Betreuung.
Eingesetzte Technologien
- RAG
- MCP
- Embeddings
- Qdrant
- Model-APIs
- Hugging Face
- Symfony
- Vue.js
- Next.js
- PostgreSQL
- Docker
Häufige Fragen
Kann ich KI in meine bestehende Anwendung einbauen lassen?
In der Regel ja. Vorab sichte ich, wie die Anwendung aufgebaut ist, wo die Inhalte liegen und wie Nutzer und Rechte verwaltet werden. Die KI-Funktion wird dann als eigener Baustein angebunden, ohne die bestehende Anwendung umzubauen.
Müssen meine Daten zu OpenAI oder einem anderen US-Anbieter?
Nein. Möglich sind externe Modell-APIs, Anbieter mit Rechenzentren in der EU oder selbst betriebene Modelle. Welche Variante passt, hängt von Datenart, Qualitätsanspruch und Budget ab – die Optionen lege ich vorab nebeneinander.
Übernimmst du auch Team-Verstärkung statt eines ganzen Projekts?
Ja. Neben abgegrenzten Projekten arbeite ich auch in bestehenden Teams mit – mit Git, Code-Reviews und eurem Ticket-System, remote oder im Rheinland vor Ort.
Passt das zu deinem Vorhaben?
30 Minuten am Telefon reichen meist, um zu klären, ob ich passe. Das Gespräch ist kostenlos.