Dateiformate


Text und Dokumentation

Endung Verarbeitung
.txt Direktes Einlesen
.md Direktes Einlesen, Struktur bleibt erhalten
.csv Direktes Einlesen, als Text
.json Direktes Einlesen
.html Direktes Einlesen, als Text: Die Tags werden nicht entfernt
.org, .adoc, .rst Direktes Einlesen

Jede andere als Text erkannte Datei (Quellcode, Protokoll…) wird gleich eingelesen.


Büro

Endung Verarbeitung
.pdf Textextraktion; Texterkennung, wenn das PDF ein Bild ist
.docx Textextraktion
.pptx Extraktion des Textes der Folien
.xlsx Extraktion der Zellen, Blatt für Blatt
.odt, .odp OpenDocument-Formate, Text und Präsentation

Das Format .doc (Word vor 2007) wird nicht unterstützt. Wandeln Sie es vorher in .docx um.


E-Mail und Bücher

Endung Verarbeitung
.mbox E-Mail-Archiv; jede Nachricht wird zu einem indexierbaren Element
.epub E-Book, Text als ein einziges Dokument extrahiert

Bilder

Endungen Verarbeitung
.png, .jpg, .jpeg, .webp Texterkennung: Der im Bild vorhandene Text wird extrahiert

Das Bild selbst wird nicht indexiert, nur der darin enthaltene Text. Die Qualität hängt direkt von Schärfe und Auflösung ab.

Die Texterkennung arbeitet standardmässig auf Englisch. Für Dokumente in anderen Sprachen geben Sie diese in der Konfiguration der Installation an (zum Beispiel Deutsch, Französisch, Italienisch).


Audio und Video

Endungen Verarbeitung
.mp3, .wav, .m4a, .ogg, .oga, .opus, .webm Automatische Transkription
.mp4, .mpeg Extraktion der Tonspur, dann Transkription

Die integrierte Transkription läuft lokal, ohne Schlüssel. Ihr Modell wird bei der ersten Nutzung einmal heruntergeladen, danach verlässt nichts mehr das Haus. Mit einem externen Transkriptionsdienst wird die Audiodatei an diesen gesendet. Die Verarbeitungsdauer wächst mit der Länge der Aufnahme.


Entfernte Quellen

Quelle Was importiert wird
Webseite Hauptinhalt, Menüs und Werbung so gut wie möglich entfernt
Ganze Website Rekursives Durchsuchen, Tiefe und Seitenzahl einstellbar
Code-Repositories (GitHub, GitLab, Gitea) Dateien eines Repositorys, aus einem gewählten Branch, mit zu ignorierenden Pfaden
Confluence Seiten eines Bereichs
Unternehmens-Wikis (DrupalWiki) Seiten und Baumstruktur
Dokumentenmanagement (Paperless-ngx) Dokumente und Metadaten
Notiz-Tresore (Obsidian) Notizen und Links
YouTube-Videos Transkription

Was schlechte Ergebnisse liefert

Gescannte PDF in schlechter Qualität. Die Texterkennung greift, aber ein schiefer, fleckiger oder niedrig aufgelöster Scan erzeugt fehlerhaften Text und damit fehlerhafte Antworten.

Komplexe Tabellen. Verbundene Zellen, Formeln, Pivot-Tabellen und sehr breite Blätter lassen sich schlecht linearisieren. Für umfangreiche tabellarische Daten liefert die SQL-Fähigkeit des Agenten deutlich bessere Ergebnisse. → Fähigkeiten

Sehr reiche Layouts. Der Text wird extrahiert; Informationen, die nur in der visuellen Anordnung stecken (ein Schema, eine grafische Tabelle), gehen verloren.

Audioaufnahmen in schlechter Qualität. Entfernte Stimmen, gleichzeitiges Sprechen und Hintergrundgeräusche verschlechtern die Transkription stark.

Sehr umfangreiche Dokumente. Ein Dokument mit mehreren tausend Seiten erzeugt sehr viele Fragmente und verwässert die Suche. Zerlegen Sie es nach Möglichkeit in zusammenhängende Einheiten.


Prüfen, was extrahiert wurde

Die genaue Liste der von Ihrer Instanz akzeptierten Formate ist über die API verfügbar. → Entwickler-API

Stellen Sie nach dem Import eines schwierigen Dokuments eine Frage, deren Antwort Sie kennen, und sehen Sie sich den zitierten Auszug an: So wissen Sie am schnellsten, ob die Extraktion gelungen ist.