[{"data":1,"prerenderedAt":25},["ShallowReactive",2],{"page:portfolio-slug:de:spotfinder-technik":3},{"componentName":4,"header":5,"contentShort":6,"contentShortHTML":7,"contentHTML":8,"publishDate":9,"dateChanged":9,"order":10,"noIndex":11,"postTopCategory":12,"postTexts":14,"files":21,"documents":22,"children":23,"uuid":24},"case-windtravel-technik","Wie eine Antwort entsteht","Embeddings, Werkzeuge, eine Wissensbasis und ein Sprachmodell mit festem Antwortformat – in einem kurzen, agentischen Ablauf.","\u003Cp>Embeddings, Werkzeuge, eine Wissensbasis und ein Sprachmodell mit festem Antwortformat – in einem kurzen, agentischen Ablauf.\u003C\u002Fp>","\u003Ch4>Wissensbasis mit Embeddings\u003C\u002Fh4>\u003Cp>Die Spotbeschreibungen sind in Abschnitte zerlegt und als Vektoren (Embeddings) in PostgreSQL mit pgvector gespeichert. Vor jeder Antwort wird die Frage ebenfalls zum Vektor und mit den Abschnitten verglichen; die passendsten gehen als Nachschlagetext in die Anweisung an das Modell. Gesucht wird nur in den Spotbeschreibungen und nur in dem, was die fragende Person lesen darf.\u003C\u002Fp>\u003Ch4>Werkzeuge statt erfundener Zahlen\u003C\u002Fh4>\u003Cp>Das Sprachmodell rechnet nicht und kennt keine Wetterdaten. Es bekommt vier Werkzeuge (Function Calling), jedes mit einem genauen Schema: Spots nach einem Wunsch suchen und reihen, einen Spot im Detail lesen, den Wind jetzt und in den nächsten 48 Stunden, und wo heute oder am Wochenende guter Wind ist. Das Modell liefert nur die Argumente – etwa Monat 11, mindestens 20 °C, 15 Knoten. Der Server prüft sie gegen das Schema, führt das Werkzeug aus und gibt ein knappes Ergebnis zurück. Zahlen in der Antwort stammen deshalb immer aus den Daten.\u003C\u002Fp>\u003Ch4>Ein kurzer, agentischer Ablauf\u003C\u002Fh4>\u003Cp>Eine Antwort entsteht in Runden: Das Modell ruft ein Werkzeug auf, liest das Ergebnis, ruft bei Bedarf ein weiteres auf – zum Beispiel erst die Suche, dann die Details zum besten Treffer – und schreibt erst dann die Antwort. Die Zahl der Runden ist begrenzt, jede Runde wird gebucht, und vor jeder weiteren wird geprüft, ob das Budget noch reicht. Die Person sieht währenddessen, dass gesucht wird.\u003C\u002Fp>\u003Ch4>Festes Antwortformat\u003C\u002Fh4>\u003Cp>Die Antwort ist kein freier Text, sondern ein JSON-Objekt nach einem strikten Schema: der Text für die Person, die genannten Spots, ob die Auswahl auf die Karte soll, ein Spot für die Buchung, bis zu drei Vorschläge für die nächste Frage und – nach einer Websuche – die Quellen. Die Seite prüft jede Spot-Kennung gegen ihre eigene Liste und baut Knöpfe und Adressen selbst – ein Link kann nicht kaputt, falsch oder in der falschen Sprache ankommen.\u003C\u002Fp>\u003Ch4>Das Modell ist eine Einstellung\u003C\u002Fh4>\u003Cp>Welches Sprachmodell antwortet, ist eine Einstellung des Agenten, kein Teil des Codes. Heute ist es ein kleines, günstiges Modell auf Azure OpenAI; andere Anbieter lassen sich anschließen. Für die Werkzeuge braucht es ein Modell mit Function Calling in der unterstützten Form.\u003C\u002Fp>","2026-10-27T10:40:00Z",40,false,{"name":13},"portfolio",[15],{"locale":16,"header":5,"contentShort":6,"contentShortHTML":7,"contentHTML":8,"slug":17,"metaTitle":18,"metaDescription":19,"focusKeyword":20},"de","spotfinder-technik","Spotfinder-Technik: Embeddings, Werkzeuge, KI","Wie der Spotfinder antwortet: Wissensbasis mit Embeddings, Werkzeuge per Function Calling, ein agentischer Ablauf und ein festes Antwortformat.","Function Calling",[],[],[],"01a17cf2-4c75-7d89-92f4-ddb8b4ab3531",1793100749810]