Multi-Agenten-DokumentenintelligenzKILive
AgentFlow
Multi-Agenten-Plattform, die komplexe Geschäftsdateien in belegte, überprüfbare Management-Briefings verwandelt.
Ergebnis
85 % weniger Zeit für die Dokumentenprüfung
Das Problem
Führungskräfte verlieren Stunden damit, komplexe CSV-, Excel-, PDF- und DOCX-Dateien von Hand zu handlungsfähigen Zusammenfassungen zu verdichten.
Was ich gebaut habe
Gebaut wurde ein orchestrierter DAG aus fünf spezialisierten LLM-Agenten (Orchestrator, Ingest, Retrieval, Verifier, Summarizer) mit LangGraph sowie hybrider semantischer Suche plus RAG.
Das Ergebnis
Jedes Briefing ist automatisch in den Quelldokumenten verankert, mit strikten Belegen und markierten Risiken.
So funktioniert es
- 01
Dateien landen im Ingest, das CSV, Excel, PDF und DOCX in eine einheitliche, gechunkte und eingebettete Repräsentation normalisiert.
- 02
Der Orchestrator entscheidet, welche Agenten für diese Anfrage laufen, statt jedes Mal den vollständigen Graphen auszuführen.
- 03
Retrieval führt eine hybride Suche über die Chunks aus: dichte Embeddings für die Bedeutung, Stichwortabgleich für die exakte Zahl oder Klausel.
- 04
Der Verifier prüft jede Aussage im Entwurf gegen die abgerufene Passage und verwirft oder markiert alles, was er nicht belegen kann.
- 05
Der Summarizer schreibt das Briefing mit angehängten Belegen, und Risiken, die er nicht verifizieren konnte, werden ausgewiesen statt geglättet.
Die KI-Schicht
Fünf Agenten in einem LangGraph-DAG mit klar getrennten Zuständigkeiten, denn ein einzelner Prompt, der einlesen, abrufen, verifizieren und zusammenfassen soll, macht alle vier Dinge schlecht. Der Verifier ist der tragende Teil: es gibt ihn, damit kein unbelegter Satz je im Briefing landet.
Die Engineering-Schicht
Darum herum ein FastAPI-Dienst mit formatspezifischem Dokumenten-Parsing, Hintergrundjobs für alles, was langsam genug ist, um eine Anfrage auslaufen zu lassen, und ein Vektorspeicher, aus dem der Retrieval-Schritt liest. Belege werden als Spannen zurück in die Quelldatei gespeichert, nicht als Text, den das Modell wiederholt hat.
Zentrale technische Entscheidungen
Ein Verifier-Agent statt eines strengen Prompts.
Einem Modell zu sagen, es solle nur Belegbares äußern, hält über ein langes Dokument nicht. Ein separater Durchgang, der jede Aussage gegen eine abgerufene Passage prüft, hält, weil das eine andere Frage mit einer überprüfbaren Antwort ist.
Hybrides Retrieval, nicht Embeddings allein.
Dichte Suche ist gut in Bedeutung und unzuverlässig bei exakten Tokens. Bei Finanzbriefings hängt alles an exakten Tokens: einer Zahl, einem Datum, einer Klauselnummer.
Ein DAG, kein Gespräch zwischen Agenten.
Freies Geplauder zwischen Agenten ist schwer zu debuggen und in den Kosten unbegrenzt. Ein expliziter Graph macht jeden Lauf reproduzierbar und jeden Schritt einsehbar.