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 |
|---|---|
| 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.

Français