Warum dieses System existiert
Eine flüssige Antwort reicht im Healthcare-Kontext nicht. Nutzende müssen erkennen können, welche Passagen die Antwort getragen haben und wann Retrieval unsicher wird.
Grenze und Datenfluss
Dokumente werden deterministisch geparst und in Chunks geteilt. Das Retrieval liefert Quellenspannen mit stabilen IDs. Das Modell erzeugt eine schema-validierte Antwort mit Zitaten und expliziten Unsicherheitszuständen.
Abwägungen explizit machen
- Quellenherkunft wird direkt neben jedem Embedding gespeichert.
- Schema-beschränkte Ausgaben erzwingen Antworten, Zitate und Abstention-Gründe.
- Lokale Modelle nutzen dasselbe Inference-Interface wie gehostete Modelle.
HERAUSFORDERUNGEN
- Retrieval getrennt von der Antwortgenerierung bewerten.
- Zitate auch nach erneuter Dokumentverarbeitung stabil halten.
- Explizite Enthaltung gestalten, statt plausible Vervollständigung zu belohnen.
Sichere Systemgrenzen
- Dokumente als nicht vertrauenswürdige Eingabe behandeln und aktive Inhalte beim Parsen entfernen.
- Indizes nach Korpus isolieren und Queries oder Passagen nicht loggen.
- Die Forschungsoberfläche nicht als Diagnose- oder Behandlungstool positionieren.
Was der Build gezeigt hat
Der Research-Build kann Antworten aus ihren Quellenspannen reproduzieren und Retrieval-, Prompt-, Modell- und Schema-Version je Evaluationsfall festhalten.
LEARNINGDie relevante Einheit eines klinischen RAG-Systems ist nicht die Antwort allein, sondern Antwort plus Provenienz, Evaluation und ein ehrlicher Fehlerzustand.