Der Shop ist online

Wir bauen Workstation AI-Maschinen für Websites, KI-Agenten und LLM-Training – online konfigurieren und kaufen.

Händlerpreise erhalten
KI-Produkte
KI-LabsOpenAI-AgentenClaude-AgentenGrok-BotWorkstation AI-natives CRMMarketingAlle Produkte
KI-Lösungen
Angewandte KIKI-AgentenGenerative KIKI-AutomatisierungKI-WeiterbildungKI-Pakete für KMUEnterprise AI LabKI-WorkstationsNVIDIA-Hardware & -SoftwareNVIDIA Accelerated ComputingPrivate KIGPU-Private-CloudGPU-ClusterEdge-KIKI nach Branche
KI-Services
PlattformmodernisierungDigital EngineeringDatengrundlagen & KIAutonomer BetriebKI-BeratungDevOps-AutomatisierungCybersicherheitSoftwareentwicklungAgentenentwicklungMLOps-EinrichtungGPU-LeasingGPU-Private-Cloud
Über uns
UnternehmenUnsere GeschichtePartnerKundengeschichten
KI-Rechenzentren
KI-RechenzentrenGPU-Private-CloudGPU-ClusterGPU-Leasing
KI-EinblickeJev-ReiheBenchmark LabModellauswahl
Technische Hinweise
Dokumentation
Linux-BetriebssystemeUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
KI-Cloud-PlattformenAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryGPU-Clouds & Marktplätze
Private KI-RechenzentrenFür AnwaltskanzleienFür Steuer- und WirtschaftsprüfungskanzleienOn-Premises-PlattformenVollständig abgesicherte Cloud
ToolsRing PromoterJobshout
News
Blog
KontaktAnmelden

KI-Workstations, Multi-Agenten-KI-Software, GPU-Infrastruktur und intelligente Agentenlösungen für moderne Unternehmen.

Kontakt

KI-Lösungen

Angewandte KIKI-AgentenGenerative KIKI-AutomatisierungKI-WeiterbildungKI-Pakete für KMUEnterprise AI LabKI nach Branche

Produkte

Alle ProdukteWorkstation AI-natives CRM & ERPMarketingOpenAI-AgentenRing PromoterJobshout

Unternehmen

Über unsUnternehmenKI-RechenzentrenWarum WorkstationPartnerKundengeschichtenPreiseKontaktTenthMatrix

Ressourcen

KI-EinblickeTechnische HinweiseDokumentationLinux-BetriebssystemeKI-Cloud-PlattformenPrivate KI-RechenzentrenBlogSucheSitemap
Büro Belgien
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Mo – Fr: 9:00 – 18:00 Uhr MEZ
+32 492 45 67 46
Hauptsitz Großbritannien
77-79 Marlowes, Hemel Hempstead HP1 1LFAnfahrt – Ausfahrt 20 der M25 (Outer London)Handelsregisternr.: 11641870Mo – Fr: 9:00 – 18:00 Uhr GMT
+44 7515 356 146
Büro Indien
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Büro Taiwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Mo – Fr: 9:00 – 18:00 Uhr Taiwan-Zeit (GMT+8)
+886 926 892 701+32 492 45 67 46
Büro Estland
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaMo - Fr: 9:00 - 18:00 Uhr estnischer Zeit (EET)
+32 492 45 67 46

© 2026 Workstation AI. Alle Rechte vorbehalten.

DatenschutzDatenlöschungCookiesNutzungsbedingungenWebsite-Sitemap

NVIDIA, das NVIDIA-Logo, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX und HGX sind Marken und/oder eingetragene Marken der NVIDIA Corporation in den USA und anderen Ländern. AMD, das AMD-Arrow-Logo, EPYC, Instinct, Ryzen und Threadripper sind Marken von Advanced Micro Devices, Inc. Dell und PowerEdge sind Marken der Dell Inc. oder ihrer Tochtergesellschaften. Intel und Xeon sind Marken der Intel Corporation oder ihrer Tochtergesellschaften. AMAX, AceleMax und LiquidMax sind Marken der AMAX Engineering Corporation. Alle anderen Produktnamen, Logos und Marken sind Eigentum ihrer jeweiligen Inhaber. Wir verwenden sie ausschließlich, um die Produkte zu kennzeichnen, die wir beschreiben, liefern oder unterstützen; ihre Verwendung bedeutet nicht, dass ihre Inhaber uns empfehlen.

Loading blog...

Startseite / Blogs
AI AgentsRagNebuladbVector SearchSemantic SearchLLMDatabaseMcpOllamaRustAI

KI-Agenten mit NebulaDB bauen: semantische Suche, RAG und ein Visa-KI-Agent

Acht praktische Labs und ein funktionierender Visa-KI-Agent: was wir auf NebulaDB gebaut, was wir gemessen und was wir gelernt haben

Balinder Walia8. November 20266 min read
Build AI agents with NebulaDB: semantic search, filtered SQL, RAG and a Visa AI Agent

Die meisten KI-Agenten scheitern an den Daten, nicht am Modell. Sie rufen das falsche Dokument ab, geben einen Datensatz preis, den der Nutzer nicht sehen sollte, oder lassen ein Sprachmodell eine Zahl erfinden, die plausibel klingt. Wir haben acht praktische NebulaDB Labs und einen funktionierenden Visa-KI-Agenten gebaut, um zu zeigen, wie man diese Ebene richtig hinbekommt. Dieser Beitrag beschreibt, was wir gebaut, was wir gemessen und was wir gelernt haben. Der vollständige technische Leitfaden enthält jede Abfrage, jeden Plan und jedes Ergebnis.

Die Idee: Daten, Suche und Modellaufrufe des Agenten an einem Ort

Cloud-Datenbanken wie Googles AlloyDB AI haben es deutlich gezeigt: Eine KI-Anwendung lässt sich leichter bauen, wenn die Datenbank die Vektorsuche, die Embeddings und die Modellaufrufe übernimmt, nah an den operativen Daten. Wir teilen diese Idee. NebulaDB ist unsere Open-Source-Umsetzung davon, ein einzelnes Rust-Binary, das Sie auf eigener Hardware betreiben können:

  • Dokumente mit Metadaten, beim Schreiben durch einen austauschbaren Embedder eingebettet (wir verwenden nomic-embed-text, 768 Dimensionen).
  • Vektor-, Schlüsselwort- (BM25) und hybride Suche über einen einzigen Endpunkt.
  • SQL mit Bedeutung: semantic_match(text, '…') neben gewöhnlichen Filtern wie min_age <= 55, über REST oder das Postgres-Wire-Protokoll.
  • Ein LLM-Gateway (/api/v1/ai/chat), das Chat, Reasoning und Zusammenfassungen an das von Ihnen konfigurierte Modell weiterleitet.
  • Ein MCP-Server, sodass Agenten wie Claude SQL, Suche und RAG als Tools aufrufen können.

Unsere Produktionsinstanz enthält 8,3 Millionen Dokumente. Die Labs laufen auf demselben Server, jedes in einem eigenen kleinen Bucket.

Acht Labs, acht Unternehmen, eine Datenbank

Jedes Lab vermittelt eine Idee in zwei bis fünf Minuten und läuft gegen eine echte NebulaDB. Es gibt keine Aufzeichnungen und keine vorgefertigten Zahlen. Sie wählen ein Branchen-„Pack“ (ein Schulverbund, eine Pflegegruppe, ein Team-Chat aus der Logistik, eine Nachrichtenredaktion, ein B2B-Lieferant, kleine britische Unternehmen mit Steuernotizen, indische Landwirte, die auf Hindi und Punjabi fragen, oder eine thailändische Visa-Agentur), und das Lab befüllt beim ersten Aufruf die Dokumente dieses Packs. Alle Daten sind erfunden.

  1. Bedeutung vs. Wörter: dieselbe Frage über BM25-, Vektor- und hybride Suche, nebeneinander.
  2. Modellvergleich: hit@1, hit@5 und MRR für jeden Retriever über einen gelabelten Fragensatz.
  3. Filter, die zählen: semantische Suche plus Metadatenfilter in einer SQL-Anweisung, mit EXPLAIN ANALYZE.
  4. RAG, Schritt für Schritt: Sicherheitsregeln, dann Retrieval, dann nummerierte Quellen, dann dasselbe Modell zweimal gefragt, einmal ohne und einmal mit den Quellen.
  5. Über die Daten schlussfolgern: ein mehrstufiger Plan, in dem jeder Schritt eine Live-SQL-Abfrage ist.
  6. Wann man Nein sagt: Ablehnungsregeln, Zugriffsfilter pro Nutzer und Relevanzschwellen, bewertet anhand einer Konfusionsmatrix.
  7. Hochskalieren: ein HNSW-ef-Sweep, der Latenz gegen Übereinstimmung abwägt.
  8. Den Raum sehen: Embeddings, in Ihrem Browser auf 2-D projiziert.

Was wir gemessen haben: Hybride Suche gewinnt nicht immer

Am 8. November 2026 haben wir die gelabelten Fragen jedes Packs gegen die produktive NebulaDB laufen lassen und hit@1 erfasst, also den Anteil der Fragen, bei denen das richtige Dokument an erster Stelle zurückkam:

Branchen-PackBM25VektorHybrid
Schulverbund und Universität59%74%89%
Pflegeheime62%88%73%
Thailändische Visa-Agentur42%71%65%
Kleine Unternehmen und Steuern58%62%77%
Landwirte (Englisch, Hindi, Punjabi)42%32%48%

Daraus ergaben sich zwei Lehren. Erstens hängt der beste Retriever vom Geschäftsfeld ab: Die hybride Suche gewann beim Schul- und beim Steuer-Pack, während die reine Vektorsuche bei Pflegeheimen und Visa vorn lag. Messen Sie, bevor Sie sich entscheiden. Zweitens tut sich ein englischzentrierter Embedder mit Hindi und Punjabi schwer, und kein noch so ausgefeiltes Prompt-Engineering behebt das. Die Lösung ist ein mehrsprachiger Embedder. Diese Fragensätze sind klein (jeweils 26 bis 55 Fragen); betrachten Sie sie daher als Smoke-Tests, nicht als Benchmarks.

Der Visa-KI-Agent: Code entscheidet, das Modell schreibt

Der Visa-KI-Agent beantwortet Fragen für „Lotus Gate“, eine fiktive thailändische Visa-Agentur, anhand von 138 Dokumenten: 32 Einträge zu Visumarten über 21 Wege, dazu Regeln, Abläufe, Gebühren, Büros und private Fallnotizen zu Kunden. Seine Designregel ist einfach: Das Sprachmodell entscheidet nie, was abgefragt wird. Kleine lokale Modelle befolgen Anweisungen zum Tool-Calling nicht zuverlässig, daher übernimmt einfacher Code vier Aufgaben:

  1. Er liest Alter, Ersparnisse, Einkommen und Zweck des Antragstellers aus der Nachricht.
  2. Er wendet zuerst die Sicherheitsregeln an. Eine Anfrage nach einem gefälschten Kontoauszug erhält eine feste Antwort, und es wird kein Modell aufgerufen.
  3. Er wählt die Tools und schreibt das SQL selbst, etwa diese echte Abfrage des Visa Finders:
SELECT * FROM lab_visa
 WHERE semantic_match(text, 'I''m 55, British, with 900k THB savings and want to retire in Chiang Mai')
   AND kind = 'visa_type'
   AND min_age <= 55
   AND min_funds_thb <= 900000
   AND array_contains(purpose, 'retire')
 LIMIT 200

In der Produktion lieferte dies in etwa 100 ms genau drei Wege: das 90-tägige Non-O für den Ruhestand, das einjährige Non-O-A und Thailand Privilege. Die Visa-Karten auf dem Bildschirm werden aus diesen SQL-Zeilen erzeugt, nicht aus dem Fließtext des Modells.

  1. Er prüft die Antwort. Jede Zahl in der Antwort des Modells muss in einer Quelle vorkommen.

Diese letzte Prüfung hat sich bewährt. Mit dem produktiven Modell mit 3 Milliarden Parametern empfahl eine Antwort das richtige Visum, „errechnete“ aber auch ein monatliches Einkommen von 75.000 THB, indem sie die Ersparnisse durch 12 teilte. Keine Quelle sagt das. Bei vier Durchläufen enthielten zwei eine Zahl, die in keiner Quelle vorkommt, und die Prüfung markierte beide. Mit denselben Quellen schrieb ein Modell mit 30 Milliarden Parametern einen korrekten Vergleich von fünf Wegen mit Quellenangaben. SQL, Karten und Schutzmechanismen waren in jedem Durchlauf identisch. Nur die Qualität des Textes änderte sich.

Private Daten bleiben in der Datenbank

Eine ungefilterte hybride Suche nach „Ich möchte in Chiang Mai in Rente gehen, ich bin 55“ lieferte auf Rang zwei eine private Fallnotiz zu einem anderen Kunden. Beim Retrieval geht es um Relevanz, nicht um Berechtigungen. In NebulaDB besteht die Lösung in einem Filter innerhalb der Abfrage, AND client_id = 'LG-1042', sodass Zeilen außerhalb des Bereichs des angemeldeten Nutzers die Datenbank nie verlassen. Anonyme Besucher sehen ausschließlich öffentliche Dokumente. Wir haben das auf die harte Tour gelernt: Die erste Regelsuche des Agenten war eine einfache hybride Suche, und wir haben diese Fallnotiz in den Belegen eines Gastes entdeckt, während wir diesen Beitrag schrieben. Ein einziges Prädikat client_id = 'public' hat das behoben.

Wenn die Regierung die Regeln ändert

Visaregeln ändern sich häufig, und das ist das stärkste Argument für RAG statt Feinabstimmung. Das Panel „Die Regeln haben sich geändert“ im RAG-Lab nimmt eine simulierte Änderung einer offiziellen Seite unter derselben Dokument-ID erneut auf und stellt die Frage noch einmal. Die nächste Antwort zitiert die neue Regel, und kein Modell wird neu trainiert. In der Produktion wird daraus ein geplanter Crawler. Er hasht jede offizielle Seite, fügt den geänderten Text mit seiner source und seinem as_of-Datum per Upsert ein und lässt den Agenten die Aktualisierung bei der nächsten Frage zitieren.

Ausprobieren und dann selbst bauen

  • Die Labs: showcase.nebuladb.net/#/labs. Melden Sie sich mit einem Google-Konto an.
  • Der Visa-KI-Agent: showcase.nebuladb.net/#/tab/visaagent.
  • Der Code: github.com/bwalia/nebuladb, einschließlich der Labs unter apps/showcase/src/labs/.
  • Die Vertiefung: KI-Agenten mit NebulaDB bauen: der technische Leitfaden.

Sie möchten einen solchen Agenten für Ihre eigenen Dokumente, mit Ihren eigenen Zugriffsregeln, auf Hardware, die Sie kontrollieren? Sprechen Sie mit uns, und wir beginnen mit einem Pack Ihrer Daten im Stil der Labs und messen das Retrieval, bevor wir einen einzigen Prompt schreiben.

Die Visa-Inhalte in der Demo sind fiktiv und vereinfacht. Die Regeln ändern sich häufig; prüfen Sie sie daher bei der thailändischen Einwanderungsbehörde oder einer thailändischen Botschaft. Dies ist keine Rechtsberatung.