Antworten aus Ihrem eigenen Wissen, mit der Stelle hinter jeder
Ihre Verfahren, Ihre Tickets, Ihre Verträge, Ihr Wiki. Ein Modell, das sie liest, antwortet in Ihren eigenen Worten und nennt die Seite, die es gelesen hat, damit die fragende Person nachsehen kann.
Munito AI übernimmt das Lesen und das Schreiben, auf europäischer Infrastruktur, ohne Speicherung der Daten. Ihre Inhalte bleiben Ihre, und sie bleiben dort, wo Sie sie abgelegt haben.
Seien Sie klar über die Teilung
Wir betreiben keinen Endpunkt für Embeddings. Das ist eine echte Grenze, und sie ändert, wie Sie bauen. Der Index gehört Ihnen; wir antworten aus dem, was er zurückgibt.
| Schritt | Wer es tut |
|---|---|
| Inhalte ablegen und in Stücke teilen | Sie, in Ihrem eigenen System |
| Den Index bauen | Sie, mit eigenen Embeddings oder einem Stichwortindex |
| Die Stellen holen | Sie |
| Sie lesen und antworten | Munito AI |
| Die Quelle zurückgeben | Ihre Anwendung, aus den Stellen, die sie gesendet hat |
Wenn Sie einen Anbieter für jeden Schritt wollen, sagen Sie es früh: Scaleway, OVHcloud und Blade betreiben Embeddings, wir nicht. Das Retrieval-Rezept baut die ganze Schleife mit einem Stichwortindex, der auf Ihrem Rechner läuft, sodass Sie die Antwortqualität messen, bevor Sie einen Vektorspeicher wählen.
Ein langer Kontext ändert den Entwurf
DeepSeek-V4-Flash, DeepSeek-V4.1-Flash-1017 und GLM-5.3-Flash lesen je eine Million Token. Das reicht, um damit aufzuhören, Dokumente in kleine Stücke zu schneiden und zu hoffen, dass das richtige zurückkommt.
Senden Sie weniger, größere Stellen. Weniger Stücke heißt weniger Fehlgriffe beim Holen, und ein Modell, das einen ganzen Abschnitt sieht, schreibt eine bessere Antwort als eines, das drei Bruchstücke davon sieht.
Ein wiederholter Vorspann kostet fast nichts: zwischengespeicherte Eingabe bei DeepSeek-V4.1-Flash-1017 liegt bei $0.006 je Million Token, gegen $0.30 ohne. Ein fester Anweisungsblock vor jeder Frage ist beinahe kostenlos.
Machen Sie die Antwort prüfbar
Nutzen Sie strukturierte Ausgaben, und das Modell gibt die Antwort und die Kennungen der Stellen zurück, die es benutzt hat, in einer Form, die Ihre Anwendung als Links zeigt. Eine Antwort, die niemand prüfen kann, ist ein Gerücht mit guter Grammatik.
Das Rezept zur semantischen Suche deckt das Ranking ab, und das Retrieval-Rezept den Schritt des Antwortens.
Eigenes Wissen ist der Grund, warum die Region zählt
Ein Support-Wiki trägt Kundennamen. Ein Verfahren trägt, wie eine Kontrolle wirkt. Das sind die Dokumente, nach denen ein Sicherheitsteam zuerst fragt.
Senden Sie an https://api.eu.munito.ai, und die Anfrage läuft in der EU; die Antwort nennt die Region im Header munito-region. Munito AI behält standardmäßig keine Anfragen und keine Ausgaben und trainiert mit nichts, was Sie senden. Der AVV gilt ohne Unterschrift.
Für Inhalte, die Ihren Perimeter gar nicht verlassen dürfen, betreiben Sie die Plattform in Ihrem eigenen Cloud-Konto oder vor Ort. Siehe Enterprise.
Belegen Sie es an Fragen, deren Antwort Sie kennen
Schreiben Sie fünfzig Fragen, die Ihr Team heute beantwortet, mit der richtigen Quelle zu jeder. Messen Sie, wie oft das System die richtige Stelle findet, wie oft die Antwort stimmt, wenn die Stelle stimmt, und wie oft es sagt, dass es nicht weiß.
Die zweite Zahl ist die Aufgabe des Modells. Die erste gehört Ihrem Index, und sie ist meistens die, die nicht stimmt.
Anfangen
- Die Retrieval-Schleife bauen
- Die Stellen ranken
- Die Antwortform festlegen
- Mit einem Ingenieur sprechen über Ihre Inhalte und Ihre Genauigkeitsschwelle