Architektur eines wissenschaftlichen KI-Agenten: RAG, Embeddings und zuverlässige Quellen
Tauchen Sie ein in die technologischen Grundlagen, die es KI-Agenten wie Charlie ermöglichen, präzise, fundierte und zuverlässige Antworten für die biomedizinische Forschung zu liefern.
Team von Emerit Science
Die Effizienz eines wissenschaftlichen KI-Agenten basiert auf einer ausgeklügelten technischen Architektur, die ihn grundlegend von generischen Chatbots unterscheidet. Im Gegensatz zu einem klassischen Sprachmodell, das sich damit begnügt, Text aus seinem ursprünglichen Training zu generieren, stützt sich ein Agent wie Charlie auf eine RAG-Architektur (Retrieval-Augmented Generation), die die Leistungsfähigkeit der Sprachgenerierung mit der Präzision der Informationssuche in Echtzeit kombiniert.
Diese mehrschichtige Architektur stellt sicher, dass jede gelieferte Antwort in überprüfbaren wissenschaftlichen Quellen verankert ist und nicht in probabilistischen „Halluzinationen“. Dank RAG ruft der Agent zunächst die relevanten Informationen aus maßgeblichen wissenschaftlichen Datenbanken ab (PubMed, HAL, bioRxiv, PMC, Patentdaten) und fasst sie dann kohärent zusammen, wobei die vollständige Rückverfolgbarkeit zu den Originalquellen erhalten bleibt.
Semantische Einbettungen bilden das Herzstück des Suchsystems. Anstatt nach exakten Übereinstimmungen von Schlüsselwörtern zu suchen, wandelt Charlie jedes wissenschaftliche Konzept in einen hochdimensionalen mathematischen Vektor um, der seine tiefere semantische Bedeutung erfasst. Diese Vektordarstellung ermöglicht es, konzeptionell relevante Publikationen zu finden, auch wenn sie eine andere Terminologie verwenden – eine wesentliche Fähigkeit angesichts der Vielfalt der wissenschaftlichen Sprache.
Die Zuverlässigkeit der Quellen beruht auf mehreren Ebenen. Charlie durchsucht standardmäßig anerkannte akademische Datenbanken; Internet bleibt eine Quelle zum Ankreuzen und ist standardmäßig nicht angekreuzt. Sie können nach Artikeltyp und Zitationszahl filtern, und Charlie berücksichtigt Studientyp und Zitate jeder Veröffentlichung. Diese methodische Strenge macht aus der KI einen echten wissenschaftlichen Forschungsassistenten statt eines bloßen Textgenerators.
Im Jahr 2026 ist das Verständnis dieser Architektur nicht mehr nur Ingenieuren vorbehalten: Es ist unerlässlich für jeden Forscher, der KI sinnvoll einsetzen, die Zuverlässigkeit der ihm zur Verfügung stehenden Werkzeuge bewerten und verstehen möchte, warum nicht alle „KI-Assistenten” für die wissenschaftliche Forschung gleichwertig sind. Die Architektur entscheidet darüber, ob ein Werkzeug für die wissenschaftliche Genauigkeit nützlich oder gefährlich ist.
RAG: Das Herzstück der Architektur eines wissenschaftlichen KI-Agenten
Retrieval-Augmented Generation (RAG) stellt einen paradigmatischen Bruch mit traditionellen Sprachmodellen dar. Anstatt sich ausschließlich auf die während des anfänglichen Trainings erlernten Parameter zu verlassen (die in einem so dynamischen Bereich wie der wissenschaftlichen Forschung schnell veralten), lagert RAG das Wissen in lebenden Datenbanken aus, die ständig mit den neuesten Veröffentlichungen aktualisiert werden.
Der RAG-Prozess von Charlie läuft in drei getrennten Phasen ab. Phase 1: Retrieval (Abruf) — Wenn Sie eine Frage stellen, analysiert der Agent Ihre Absicht, wandelt die Frage in optimierte Suchanfragen um und durchsucht die von Ihnen angekreuzten Quellen, standardmäßig den Emerit-Korpus (PubMed, HAL, bioRxiv), um die relevantesten Dokumente abzurufen. Dieser Schritt nutzt semantische Embeddings, um nicht nur die offensichtlichen lexikalischen Übereinstimmungen zu finden, sondern auch inhaltlich verwandte Veröffentlichungen.
Phase 2: Erweiterung – Die abgerufenen Dokumente werden vorverarbeitet, nach Qualität gefiltert und ihre wichtigsten Informationen werden extrahiert: Hauptergebnisse, Methoden, Schlussfolgerungen, Einschränkungen. Diese Informationen werden dann in den Kontext der Sprachmodellgenerierung integriert und erweitern so dessen Wissen um überprüfbare und aktuelle Fakten. Diese vorübergehende Erweiterung ist spezifisch für Ihre Frage und bleibt nach dem laufenden Austausch nicht bestehen.
Phase 3: Generation (Erzeugung) — Das Sprachmodell fasst die abgerufenen Informationen zu einer kohärenten, strukturierten Antwort zusammen, die auf Ihr Expertiseniveau und Ihren Forschungskontext zugeschnitten ist. Entscheidender Unterschied: Die Erzeugung ist an die abgerufenen Quellen gebunden. Charlie stützt sich auf die gefundenen Dokumente, statt eine nicht vorhandene Information zu erfinden. Jede Aussage ist mit einer genauen Referenz (DOI, PMID, Patentnummer) auf ihre Originalquelle zurückverfolgbar.
- Hochleistungsfähige Vektordatenbanken: Charlie nutzt eine Vektordatenbank mit Millionen von Embeddings wissenschaftlicher Veröffentlichungen, die semantische Suchen im Korpus ermöglicht, kombiniert mit einer Stichwortsuche
- Embedding-Modell: Ein Embedding-Modell für die semantische Suche, das Texte gleicher Bedeutung einander annähert, auch wenn sie unterschiedlich formuliert sind
- Intelligentes Re-Ranking: Nach dem ersten Abruf bewertet ein auf biomedizinische Literatur trainiertes Re-Ranking-Modell die feine Relevanz jedes Dokuments für Ihre konkrete Frage und priorisiert die Veröffentlichungen, die am direktesten anwendbar sind
- Biomedizinisches Vokabular: Erweiterung der Anfragen um MeSH-Begriffe und Datenblatt des in der Frage genannten Gens (Name, Aliasse, Kennungen), damit die Antwort keine Kennung erfindet
- Multi-Source-Aggregation: Intelligente Zusammenführung von Informationen aus verschiedenen Datenbanken mit Konfliktlösung, Konsenserfassung und Identifizierung wissenschaftlicher Kontroversen
„Was bei Charlie beeindruckt, ist die Rückverfolgbarkeit. Im Gegensatz zu ChatGPT, das nicht existierende Referenzen generieren kann, verweist jede Aussage von Charlie auf eine tatsächliche Veröffentlichung, die ich überprüfen kann. Diese RAG-Architektur verwandelt KI von einem Risiko für die wissenschaftliche Integrität in einen zuverlässigen Beschleuniger für die Forschung.“ – Dr. Sophie Chen, Datenmanagerin, INSERM
Semantische Einbettungen: Wissenschaftliche Sprache tiefgreifend verstehen
Embeddings (Vektordarstellungen) sind die Technologie, die es Charlie ermöglicht, die Bedeutung wissenschaftlicher Konzepte zu „verstehen“, anstatt nur Zeichenfolgen zu vergleichen. Technisch gesehen wandelt ein Embedding einen Text (Wort, Satz, Absatz oder ganzes Dokument) in einen hochdimensionalen Zahlenvektor (typischerweise 768 oder 1536 Dimensionen) um, wobei semantisch ähnliche Texte in diesem Vektorraum mathematisch nahe beieinander liegen.
Für die wissenschaftliche Forschung ist diese Fähigkeit entscheidend, da ein und dasselbe Konzept auf Dutzende verschiedene Arten ausgedrückt werden kann. So stehen beispielsweise „CRISPR-Cas9“, „CRISPR-Genomeditierung“, „CRISPR/Cas9-System“, „RNA-gesteuerte Cas9-Nuklease“ und „CRISPR-basiertes Gene Editing“ im Wesentlichen für dasselbe Konzept. Hochwertige Embeddings platzieren all diese Begriffe im selben Bereich des Vektorraums, sodass Charlie sie als gleichwertig erkennt, auch wenn die genauen Wörter unterschiedlich sind.
Charlie ergänzt diese Embeddings um ein auf biomedizinische Literatur trainiertes Reranking-Modell und um eine Erweiterung mit MeSH-Begriffen. Diese Kombination erfasst nicht nur die offensichtlichen Synonyme, sondern auch komplexe begriffliche Beziehungen: Protein-Gen-Beziehungen, Wirkstoff-Zielstruktur-Interaktionen, Krankheits-Symptom-Zusammenhänge, taxonomische Hierarchien, Ursache-Wirkungs-Beziehungen und methodische Nuancen. Dieses Verständnis ermöglicht deutlich anspruchsvollere Suchen als einfache Stichwortübereinstimmungen.
Die Qualität der Embeddings bestimmt unmittelbar die Qualität der Ergebnisse. Ein schlecht trainiertes Embedding könnte „p53-Mutation“ und „p53-Expression“ verwechseln oder die Verbindung zwischen „Anti-PD-1-Immuntherapie“ und „Checkpoint-Inhibitor-Therapie“ übersehen. Deshalb verlässt sich Charlie nicht allein auf die Vektornähe: Er kombiniert sie mit der Stichwortsuche und einer PubMed-Suche und ordnet die Ergebnisse neu, bevor er sie verwendet.
Die Zuverlässigkeit der Quellen gewährleisten: eine grundlegende Verantwortung
Die Glaubwürdigkeit eines wissenschaftlichen KI-Agenten beruht ganz auf der Zuverlässigkeit seiner Quellen. Standardmäßig durchsucht Charlie den Emerit-Korpus: PubMed (National Library of Medicine), HAL und bioRxiv, mit PMC-Volltext als getrennter Abfrage. Die Patente des Europäischen Patentamts und Ihre Bibliotheken sind Quellen zum Ankreuzen. Internet ist standardmäßig nicht angekreuzt: Seine Ergebnisse werden nur verwendet, wenn Sie es ankreuzen, und sie werden nach Quellenqualität eingestuft und mit ihrer Adresse zitiert.
Über die Auswahl der Datenbanken hinaus gibt Ihnen Charlie Stellschrauben für die methodische Qualität. Sie können eine Suche nach Artikeltyp (randomisierte kontrollierte Studien, Metaanalysen, systematische Reviews), nach Zitationszahl, nach Sprache oder nach Quelle einschränken, außer bei PMC-Volltext. Eigene Kanäle liefern häufig zitierte und neuere Artikel, und Charlie sieht beim Schreiben den Studientyp und die Zitationszahl jedes Artikels.
Ein entscheidender Mechanismus ist die Erkennung von Halluzinationen. Anders als klassische LLM, die plausible, aber völlig erfundene Literaturangaben erzeugen können (ein großes Problem für die wissenschaftliche Integrität), stellt die RAG-Architektur von Charlie sicher, dass jede zitierte Referenz tatsächlich existiert und aus einer abgefragten Quelle abgerufen wurde. Lässt sich eine Information nicht belegen, sagt Charlie das ausdrücklich, statt sie zu erfinden. Diese intellektuelle Redlichkeit ist grundlegend, um das Vertrauen der Forschenden zu erhalten.
Schließlich ermöglicht die vollständige Rückverfolgbarkeit eine Überprüfung durch Menschen. Jede Aussage in einer Antwort von Charlie wird mit ihrer Quelle (DOI, PMID, Patentnummer, GEO-Datensatz-ID) versehen, sodass der Forscher die Originalveröffentlichung zurückverfolgen, den Kontext überprüfen, die Methodik bewerten und selbst über die Relevanz urteilen kann. Diese Transparenz verwandelt Charlie von einer „Black Box” in ein Hilfsmittel, bei dem der Forscher die Kontrolle und die letztendliche intellektuelle Verantwortung behält.
Charlie-Mehrschichtarchitektur
- Schicht 1: Konversationsschnittstelle – Natürliche Sprachverarbeitung, die Fragen auf Französisch oder Englisch ermöglicht, Beibehaltung des Konversationskontexts, interaktive Klärung, Anpassung an das Fachwissen des Benutzers
- Schicht 2: Planungsagent – Aufteilung komplexer Fragen in Teilaufgaben, Koordinierung von Abfragen an verschiedene Datenbanken, Verwaltung von Abhängigkeiten zwischen aufeinanderfolgenden Suchvorgängen, Optimierung der Ausführungsreihenfolge
- Schicht 3: RAG-System – Semantische Umwandlung der Frage in Embeddings, Vektorsuche in indizierten Datenbanken, Abruf der relevantesten Top-k-Dokumente, kontextuelles Re-Ranking, Extraktion von Schlüsselinformationen
- Schicht 4: Validierung und Filterung – Bewertung der methodischen Qualität, Überprüfung der Konsistenz zwischen den Quellen, Erkennung wissenschaftlicher Widersprüche, Ermittlung des Konsensniveaus, Kennzeichnung vorläufiger Informationen
- Schicht 5: Generierung und Synthese — Sprachmodell, das die endgültige Antwort erzeugt, Formatierung mit Inline-Zitaten, hierarchische Strukturierung, Anpassung von Ton und Fachlichkeit, Prüfung gegen Halluzinationen
- Schicht 6: Compliance und Sicherheit — Verschlüsselung der Nutzerdaten, Einhaltung der DSGVO, Nachvollziehbarkeit der Interaktionen mit den Modellen, Datentrennung zwischen Nutzern, keine Verwendung der Gespräche für ein Nachtraining
Architektonische Unterschiede: KI-Agent vs. generisches LLM
Zu verstehen, was Charlie architektonisch von einem Allzweck-Assistenten unterscheidet, ist wesentlich. Ein generisches LLM arbeitet im „Closed-Book“-Modus: Es antwortet ausschließlich aus seinen internen Parametern, die beim ursprünglichen Training gelernt wurden. Diese Parameter frieren das Wissen zum Stichtag des Trainings ein (typischerweise 6 bis 12 Monate vor der Bereitstellung). Jede spätere Veröffentlichung ist für das Modell unsichtbar, was für ein so dynamisches Gebiet wie die biomedizinische Forschung ein großes Problem darstellt.
Ein KI-Agent mit RAG-Architektur wie Charlie arbeitet im „Open-Book“-Modus: Er greift zum Zeitpunkt der Anfrage dynamisch auf externe Datenbanken zu und ruft aktuelle Veröffentlichungen ab. Diese permanente Aktualität ist für ein klassisches LLM unmöglich. Zudem beseitigt RAG das Halluzinationsproblem weitgehend: Da die Erzeugung an die tatsächlich abgerufenen Quellen gebunden ist, hält sich der Agent an das, was die von ihm zitierten Dokumente sagen.
Die Rückverfolgbarkeit ist ein weiterer grundlegender architektonischer Unterschied. Ein generischer LLM generiert Text, ohne überprüfbare Quellen zitieren zu können (oder schlimmer noch, erfindet Referenzen, die plausibel erscheinen, aber nicht existieren). Charlie hält dank RAG eine explizite Verbindung zwischen jeder bereitgestellten Information und dem Quelldokument, aus dem sie stammt, aufrecht. Diese Rückverfolgbarkeit ist keine nachträglich hinzugefügte Funktion, sondern eine intrinsische Eigenschaft der RAG-Architektur.
Schließlich ist die fachliche Spezialisierung in der Architektur verankert. Charlie verwendet ein auf biomedizinische Literatur trainiertes Reranking, für die biomedizinische Sprache optimierte Prompts, Filter nach Studientyp und Zitationen sowie strukturierte Vokabulare wie MeSH. Diese mehrstufige Spezialisierung liefert eine deutlich höhere Expertise als ein Allzweckmodell, das mit ein paar wissenschaftlichen Prompts „gewürzt“ wurde.
Erleben Sie eine KI-Architektur, die für die Wissenschaft entwickelt wurde
Entdecken Sie, wie die RAG-Architektur von Charlie die Zuverlässigkeit und Relevanz der KI-Unterstützung für Ihre Recherchen verändert. Jede Antwort ist mit Quellenangaben versehen, überprüfbar und basiert auf maßgeblicher wissenschaftlicher Literatur.
Charlie kostenlos testenVerwandte Artikel
Was ist ein wissenschaftlicher KI-Agent?
Einführung in die grundlegenden Konzepte von KI-Agenten
KI-Agent vs. KI-Assistent: Welche Unterschiede gibt es für die Suche?
Die architektonischen Unterschiede zwischen Agenten und Assistenten verstehen
PubMed und Charlie: Wie unsere KI die wissenschaftliche Forschung revolutioniert
PubMed – Architektur in Aktion