Ein komplettes Retrieval-Augmented-Generation-System auf eigener Infrastruktur: PostgreSQL mit pgvector als Vektordatenbank, n8n als Orchestrierung, OpenAI-Embeddings für die Semantik. Der Kern ist eine Hybrid-Suche, die semantische Ähnlichkeit (HNSW-Cosine) und deutsche Volltextsuche per Reciprocal Rank Fusion kombiniert — das findet auch Treffer, die reine Vektorsuche übersieht. Drei Quellen speisen die Wissensbasis automatisch: ein Upload-Webhook für PDFs, ein täglicher Diff-Sync des Obsidian-Vaults und ein rekursiver Google-Drive-Sync inklusive ganzer Buch-Bibliotheken. Das Chat-Frontend beantwortet Fragen ausschließlich aus dem indexierten Wissen und zitiert seine Quellen.
4.000+
indexierte Chunks
3
automatische Sync-Quellen
2×
Suche: Vektor + Volltext (RRF)
Was gebaut wurde
- Hybrid-Suche als SQL-Funktion: HNSW-Cosine-Similarity plus deutscher tsvector-Volltext, fusioniert per Reciprocal Rank Fusion (k=60)
- Upload-Pipeline: PDF per Webhook → Textextraktion → Chunking (1000 Zeichen, 100 Overlap) → Embedding → reindex-sicherer Insert
- Obsidian-Sync mit Änderungserkennung per Content-Hash — nur geänderte Notizen werden neu indexiert, Gelöschtes wird aufgeräumt
- Google-Drive-Sync über Service Account: rekursiv durch beliebige Unterordner, pfadbasierte Schlüssel gegen Namenskollisionen, unterstützt Docs, Sheets und PDFs
- Robuste Batch-Verarbeitung: sequentielle Ein-Datei-Iterationen gegen Speicherlimits, resumable durch Hash-Diff, tolerante Fehlerbehandlung pro Datei
- Chat-Endpoint: Frage → Embedding → Top-20-Hybrid-Retrieval → Top-5-Kontext → GPT-4.1 antwortet nur aus dem Kontext, mit Quellenzitaten
- Security: Token-geschützte Webhooks, Datenbank ohne öffentlichen Port, Frontend hinter Basic-Auth