Features Architektur OEM Preise Anmelden
RAGtupus Logo

Technisches Wissen. Sofort abrufbar.

RAGtupus durchsucht Handbücher, Schaltpläne und Fehlerlisten — und liefert in Sekunden konkrete Lösungen. On-Premise. Ohne Datenweitergabe.

DSGVO-konform On-Premise Audit-Log SOC2-ready <300ms Antwort
<300ms
Median Query-Latenz
≥80%
Test Coverage
On-Prem
DSGVO-konform
OEM+
Wissens-Marktplatz
Von der Frage zur Lösung — in Sekunden
Techniker fragt in natürlicher Sprache. RAGtupus extrahiert Maschinentyp, Fehlercode und Version — und durchsucht nur die richtigen Dokumente.
RAGtupus Chat · BW4c Servicetechniker
TECHNIKER FRAGT
BW4c Fehler 34 – Wasserflussfehler, Maschine startet nicht
Erkannt: Maschine=BW4c · Code=34 · Typ=Wasserfluss · Kontext=Betrieb
Hybrid-Search in 4 relevanten Dokumenten …
Durchsuchte Quellen:
📄 BW4c_Service_Manual.pdf · S.31 ⚙️ BW4c_Fehlercodeliste.pdf · F34 🔧 Wasserkreislauf_Schaltplan.pdf
RAGTUPUS ANTWORTET

Fehler 34 – Wasserflussstörung

1Durchflusssensor prüfen (Pos. F1, Soll: 1,8–2,2 l/min). Kalkablagerung ist die häufigste Ursache.
2Wasserfilter und Entkalkungsmodul auf Verstopfung prüfen — Kalkschutz-Intervall beachten.
3Einlassventil V2 auf Funktion testen (Terminal X8, 2-polig). Öffnungsdruck: min. 0,5 bar.
Ersatzteil wenn Sensor defekt:
BW4-F1-FLOW-12V · WF-3318-02
Schritt für Schritt zur Lösung
Der Diagnose-Baum führt Techniker strukturiert vom Fehlerbild zur validierten Lösung – ohne Raten, ohne Umwege.
⚠️ FEHLERCODE
BW4c · Fehler 34
Wasserflussfehler – Maschine startet nicht
führt zu
📡 SYMPTOM
Kein Wasserfluss
Durchflusssensor F1 meldet 0 l/min trotz geöffnetem Ventil
erfordert
🔍 PRÜFUNG
Sensor & Filtercheck
Durchflusssensor und Wasserfilter auf Kalk und Verschmutzung prüfen
identifiziert
🔬 URSACHE
Kalkverblockung Sensor F1
Entkalkungsintervall überschritten, Sensor mechanisch blockiert
löst
LÖSUNG
Entkalken & Sensor tauschen
Entkalkungsprogramm ausführen, Sensor F1 ersetzen (BW4-F1-FLOW-12V), Wasserfluss testen
Service Manual BW4c, S. 31
Nicht nur Suche — strukturiertes Verstehen
01
Hybrid-Search
Dense Vectors (semantisch) + BM25 Sparse (exakte Treffer). Teilenummern wie "BW4-F1-FLOW-12V" und Fehlercodes wie "F34" werden präzise gefunden — nicht nur annähernd.
02
Struktur-Extraktion
Fehlercodes, Ersatzteilnummern, Baugruppen und Maschinenmodelle werden automatisch erkannt und strukturiert gespeichert — für gefilterte Suche nach Maschinentyp und Version.
03
Zeichnungs-Analyse
Schaltpläne, Explosionszeichnungen und handschriftliche Notizen werden per Vision-Modell beschrieben und als durchsuchbare Chunks gespeichert.
04
Trust-Repair-Key
OEMs vergeben zeitlich begrenzte Zugriffsschlüssel an autorisierte Werkstätten. RSA-signierte JWTs mit konfigurierbaren Scopes — kein dauerhafter Datenzugang nötig.
05
Transparenz & Vertrauen
Jede Antwort enthält Quellenangaben (Datei, Seite, Snippet). Unsicherheiten werden gekennzeichnet. Kein blinder Output — Techniker sehen woher die Information stammt.
06
On-Premise & DSGVO
Läuft auf dem eigenen Server. Keine Daten verlassen das Unternehmensnetz. DSGVO-konform by design — mit Audit-Log, Datenlöschung und Export auf Knopfdruck.
RAGtupus geht weit über Standard-RAG hinaus

Kausaler Wissensgraph

Fehlerbäume statt isolierter Textschnipsel — aufgebaut ausschließlich aus Fehlerlisten und Training Guides, jeder Knoten an einen Fehler gekoppelt.

Maschineninstanz-Kontext

Welche Maschine, welche Firmware, welche Vorgeschichte? Jede Abfrage kennt den vollständigen Gerätekontext.

Zero-Hallucination

Teilenummern und Graph-Wissen werden wörtlich gegen die Quelldokumente verifiziert — unbelegte Extraktionen verwirft das System automatisch.

Adversariales Retrieval

Aktive Widerspruchssuche zwischen Dokumentversionen — ältere Servicehinweise werden automatisch gegengeprüft.

12 Jahre Felderfahrung

Erster OEM-Partner an Bord, Pilot läuft — gebaut auf echten Servicedaten aus dem industriellen Alltag.

Community Knowledge

Praxiswissen aller Werkstätten — anonymisiert akkumuliert und OEM-verifiziert in den Retrieval-Pool eingespeist.

Zusammenhänge, nicht nur Dokumente
Fehler, Ursachen und Lösungen sind als Graph modelliert — aufgebaut ausschließlich aus Fehlerlisten und Training Guides. Jeder Knoten ist wörtlich im Quelldokument belegt und an einen Fehler gekoppelt: keine Halluzinationen.
hat_fehler verursacht verursacht ursache ursache ursache loesung loesung BW4c Maschine KONTEXT Fehler 34 Wasserfluss FEHLER Kein Wasserfluss SYMPTOM Start blockiert SYMPTOM Sensor F1 blockiert URSACHE Ventil V2 defekt URSACHE BW4-F1- FLOW-12V LÖSUNG Entkalken + Reset LÖSUNG
Maschinenkontext Fehler Symptom Ursache Lösung
Wie es funktioniert
Zehn Pipeline-Schritte, die aus einer technischen Frage eine zuverlässige, quellengestützte Antwort machen.
01

Maschinenkontext-Anreicherung

Seriennummer, Fehlercode und Maschinenhistorie werden automatisch in den Abfragekontext eingebettet — noch bevor die Suche startet.

Seriennummer Fehlercode Betriebshistorie
02

Ambiguitätserkennung

Mehrdeutige oder unvollständige Fragen werden erkannt und durch gezielte Rückfragen präzisiert — kein unnötiger Retrieval-Call.

Frühzeitige Erkennung Rückfragemodus Schneller Rückgabepfad
03

Query-Zerlegung

Komplexe Mehrfachfragen werden in fokussierte Teilabfragen aufgespalten, um maximale Retrieval-Abdeckung zu erzielen.

Sub-Queries Parallele Suche Maximale Abdeckung
04

Hybrid-Suche

Semantische Vektorsuche und exakte Stichwortsuche werden kombiniert und durch Rang-Fusion zu einer Trefferliste vereint.

Semantisch Exakt Rang-Fusion
05

Adversariales Retrieval

Aktive Suche nach Gegenbelegen und kritischen Ausnahmen — so gehen keine Sicherheitshinweise oder Kontraindikationen unter.

Gegenthesen Sicherheitshinweise Kontraindikationen
06

Semantisches Reranking

Gefundene Passagen werden von einem zweiten Modell unabhängig neu bewertet — die relevantesten Stellen kommen zuerst.

Cross-Encoder Unabhängige Bewertung Präzisionsgewinn
07

Kausale Graph-Traversierung

Fehler, Ursachen und Lösungen sind als Wissensgraph modelliert und werden strukturiert entlang der Kausal-Ketten durchlaufen.

Kausal-Ketten Strukturierte Pfade Fehler → Ursache → Lösung
08

Antwort-Synthese

Ein großes Sprachmodell synthetisiert eine strukturierte, quellengestützte Antwort aus den top-bewerteten Passagen.

Quellengebunden Strukturiert Schritt-für-Schritt
09

Konfidenz-Kalibrierung

Jede Antwort erhält einen Konfidenz-Score auf Basis von fünf Faktoren — transparente Qualitätsbewertung in Echtzeit.

5 Faktoren Echtzeit Transparenz
10

Sitzungskontext & Treue

Gesprächsverlauf wird mitgeführt und die Treue der Antwort zu den Quelldokumenten vor der Ausgabe geprüft.

Gesprächsgedächtnis Faithfulness-Check Quellennachweis
Multimodale Intelligenz: Wenn die KI lernt zu sehen.
RAGtupus ist kein reiner Text-Bot. Durch NVIDIA Vision-Language Models interpretieren wir komplexe industrielle Schaltpläne, CAD-Zeichnungen und Live-Bilder direkt im Feld.

NVIDIA VILA & NIMs

NVIDIA NIM-Microservices und VILA-Modelle generieren semantisches Verständnis für technische Zeichnungen. RAGtupus erkennt nicht nur Linien — es versteht die Logik hinter Relais, Sensoren und Stromläufen.

TensorRT-LLM <300ms

TensorRT-beschleunigte Inferenz für Antworten unter 300ms. High-End-KI direkt am Edge — kein Cloud-Umweg, kein Latenzverlust. Optimiert für industrielle Echtzeit-Diagnose.

Hardware-Souveränität

Edge: Lokale Verarbeitung auf NVIDIA RTX GPUs (RTX 50-Serie) für Werkstätten ohne Cloud-Zwang. Enterprise: Skalierbare Cluster auf NVIDIA DGX-Systemen für dediziertes Industry Memory.

Expert Imprint Advantage

Zero-Hallucination by Design

Die Kombination aus dem Service Nexus Manager (SNM) — einem 330k LOC Wissens-Fundament — und dem NVIDIA-Stack schafft eine Zero-Hallucination-Umgebung. Die KI halluziniert nicht, weil sie das visuelle Original-Dokument des Herstellers als einzige Wahrheit nutzt.

NVIDIA VILA VLM NVIDIA NIMs TensorRT-LLM Mistral-Nemotron RTX Edge Inference DGX Enterprise Zero-Hallucination Optimized for TensorRT <300ms Latency
Technische Spezifikationen anfordern NVIDIA Inception Roadmap ansehen
Hersteller verdienen. Werkstätten profitieren.
RAGtupus ist mehr als ein RAG-Tool — es ist ein neutraler Marktplatz für technisches OEM-Wissen. OEMs monetarisieren ihre Dokumentation, Werkstätten kaufen kontrollierten Zugang.
🏭

OEM-Datenlieferant

Stellt Handbücher, Schaltpläne und Fehlercodes bereit. Behält Dateneigentümerschaft. Kontrolliert via Trust-Key-Policies wer Zugang bekommt.

🦑

RAGtupus Plattform

Indexiert, verwaltet Zugang, verrechnet Queries. Automatischer Revenue-Split bei jeder OEM-Daten-Nutzung.

🔧

Werkstatt / Servicetechniker

Kauft OEM-Datenzugang (€19/OEM/Mo). Kombiniert eigene Betriebsdaten mit OEM-Wissen. Zahlt nur was genutzt wird.

Revenue-Split pro OEM-Query
65% RAGtupus
30% OEM
5%
OEM verdient passiv an jeder Werkstatt-Anfrage gegen seine Dokumentation.
Trust-Repair-Key: OEM definiert
Wer Zugang bekommt Wie lange (Stunden) Welche Dokumente Read-only Scope
Das LLM weiß nicht alles. Es denkt über die richtigen Dokumente nach.

RAGtupus-Grundsatz — keine Halluzinationen, nur verifizierbare Antworten mit Quellenangabe.

Fair. Nutzungsbasiert. Transparent.
Keine künstlichen Limits bei Mandanten. Echte Limits bei Ressourcen. Jeder zahlt was er verbraucht.
Demnächst verfügbar
Starter
19
/ Monat + Nutzung
  • 5 GB Dokumenten-Storage
  • 1.000 Queries / Monat inkl.
  • 1 Mandant
  • Chat-Widget + API
  • Community Support
  • OEM-Datenzugang
  • SLA
Plan anfragen
Demnächst verfügbar
Enterprise
ab €490
/ Monat oder On-Premise
  • Unbegrenzt Storage
  • Unbegrenzt Queries
  • Unbegrenzt Mandanten
  • Dedicated Server
  • SLA 99,9% + Notfallsupport
  • Kubernetes / Helm Charts
  • Custom Embedding-Modelle
Kontakt aufnehmen

Bereit für technisches KI-Retrieval?

Starten Sie mit dem Starter-Plan — kostenlos für 14 Tage. Keine Kreditkarte. On-Premise-Option für Enterprise-Kunden.

Jetzt kostenlos starten Enterprise-Demo anfragen →