Upprättande av Open WebUI-kunskapsbasen

en kunskapsbas i Open WebUI genom att ladda upp dokument till en Du kan skapa kunskapssamling och tilldela dem till en modell eller enskilda chattar. Open WebUI söker sedan efter lämpliga textavsnitt för varje fråga och låter språkmodellen svara på dem. Hur väl detta fungerar beror mindre på programvaran än på rena dokument, rimlig uppdelning och tydliga rättigheter.

Många team använder först Open WebUI som en ersättning för ChatGPT. Det verkliga mervärdet uppstår när chatten också kan besvara frågor om manualer, riktlinjer eller produktdata. Grunderna i Open WebUI finns i artikeln Open WebUI som ett alternativ till ChatGPT.

Hur kunskap fungerar i Open WebUI

Open WebUI fungerar enligt principen om retrieval-augmented generation (RAG): Dokumenten delas upp i sektioner och lagras i en vektordatabas. För en fråga söks de mest lämpliga sektionerna och ges till modellen som bas. Enligt dokumentationen stödjer Open WebUI en hybridsökning bestående av sökord och betydelse med efterföljande omvärdering av träffarna.

En mer detaljerad förklaring av principen finns i artikeln RAG simply explain.

Fem steg till kunskapsinsamling

Definiera ett syfte: En samling per ämne – såsom "Personalmanual", "Produktdatablad", "Kvalitetshantering". Inte allt i en och samma pott.
Välj dokument: endast aktuella, godkända versioner. Föråldrade versioner leder till felaktiga svar.
Förbered dokument: läsbara PDF- eller Word-filer, meningsfulla rubriker, inga skannade bilder utan textigenkänning.
Ladda upp och tilldela: Skapa en samling, lägg till filer, tilldela en samling till en modell eller guide.
Testning: ställa tio typiska frågor, jämföra svar med källorna, göra förbättringar.

Rättigheter: Vem får använda vilken kunskap?

Open WebUI känner till grupper och behörigheter per resurs. En kunskapssamling "Löneriktlinjer" bör endast vara synlig för HR-avdelningen. Skapa grupper och tilldela åtkomst till samlingar och modeller via grupper. Mer om detta i artikeln Open WebUI i teamet.

Typiska misstag

Samlingar som är för stora: Hundratals blandade dokument urvattnar sökningen.
Skannade PDF-filer utan text: Om det inte är text kan det inte hittas.
Ingen underhåll: Om en manual uppdateras måste samlingen också uppdateras.
Modell som är för svag: Små modeller sammanfattar ibland funna områden felaktigt.

När det är bättre att ha sitt eget RAG-system

Den inbyggda kunskapsfunktionen är tillräcklig för hanterbara, manuellt underhållna samlingar. Om tusentals dokument från ett arkiv som Paperless-ngx eller Nextcloud ska hållas uppdaterade automatiskt, med behörigheter från källsystemet, är en separat anslutning till en vektordatabas som Qdrant mer robust. Detta är precis vad vår AI-dokumentsökning är.

Vi sätter upp Open WebUI med kunskapssamlingar, väljer rätt modell och tränar ditt team.

Rådgivning och medföljande genomförande är berättigad till finansiering: Genom INQA-coaching täcker den federala regeringen 80 % av konsultkostnaderna på upp till 1 200 euro per dag i upp till 12 dagar, det vill säga upp till 11 520 euro i subvention. I Mecklenburg-Vorpommern och de andra nya delstaterna är BAFA-konsultfinansiering också berättigad till 80 % fram till 31.12.2026 (50 % i de gamla delstaterna). Finansiering ges till konsultation, inte mjukvara. Finansieringskontrollen visar vilket program som passar.

Vanliga frågor

Kan Open WebUI svara på frågor om dina egna dokument?

Ja. Dokument laddas upp till kunskapssamlingar; Open WebUI söker efter lämpliga sektioner och modellen svarar baserat på dem.

Vilka filformat stöder Open WebUI?

Vanliga format såsom PDF, Word och textfiler. Olika extraktionstjänster kan integreras för textextraktion. Skannade dokument kräver textigenkänning i förväg.