Bietet drei Modi (dense, sparse, hybrid), Reranking und Metadatenfilterung sowie Observability der Retrieval-Qualität. Das Modell ist nativ mehrsprachig (u. a. Polnisch) und kommt mit gemischten Sprachen in einem Index zurecht — eine Frage auf Polnisch findet die Antwort unabhängig von der Quellsprache. Eine einzelne Abfrage (Embedding + Retrieval) liegt auf einem typischen Index meist unter ~50 ms — diesen Wert misst Du im Observability-Dashboard des Retrievals, wir versprechen ihn nicht losgelöst von Deinen Daten. Self-Host-Deployment sorgt für Kontrolle über Kosten und Datenschutz. Das ist die Engine, auf der wir Company GPT und interne Wissenssuchsysteme aufbauen. Darunter läuft das BGE-M3-Modell — technische Daten (1024-dim, Embeddings); es ist dasselbe lokale Modell, das das Concierge-RAG dieser Seite antreibt.
cashcrown // Suchmaschine
BGE-M3 Search
bge-m3-searchliveEin selbst gehosteter Dienst für Embeddings und semantische Suche mit Dashboard und vollständiger Beobachtbarkeit des Retrievals.
<50ms
Latenz
3×
Suchmodi
self-host
Deployment
// 01
Problem
Die Stichwortsuche versteht die Absicht nicht, und fertige Embedding-APIs senden Ihre Daten nach außen und skalieren ihre Kosten mit Ihrem Traffic. Ohne eigenes Retrieval steht jeder RAG auf fremdem Fundament.
// 02
Funktionen
- Suchmodi: dense, sparse, hybrid
- Reranking und Filterung nach Metadaten
- Beobachtbarkeit der Retrieval-Qualität
- ein Fundament für jeden RAG-Stack
// 03
Lieferumfang
- Ein lokaler Embedding-Dienst (1024-dim) — Inhalte verlassen Ihre Infrastruktur nie
- Dichte/spärliche/hybride Suche + Reranking + Metadatenfilter
- Ein Dashboard mit voller Retrieval-Observability (was gefunden wurde und warum)
- Reindex per Befehl + Embedding-Parität lokal und in Produktion
Wir bauen dieses Produkt aus gemessenen Modellen und Komponenten — die vollständige Live-Pipeline:
// 04
Pilot mit Belegen
Pilotpaket: lokales Retrieval und RAG
BGE-M3 ist als lokale Grundlage für Wissenssuche verpackt, nicht als abstraktes Embedding-Modell. Die Belege verbinden Produkt, Playground, Rezept und Datenresidenz.
1024
Embedding-Dimensionen
3x
dense, sparse, hybrid
local
Index und Embeddings
Belege
Embeddings Playground
Das öffentliche Demo zeigt lokale Vektoren und semantische Ähnlichkeit ohne Datenspeicherung.
Beleg ansehenConcierge RAG
Das Rezept zeigt, wie Retrieval belegte Antworten und Eskalation speist.
Beleg ansehenCompliance und Datenresidenz
Das Trust Center beschreibt DSGVO-Grenzen, PII, Register und Regeln für sensible Daten.
Beleg ansehenPilotpfad
- 01Wir wählen einen Wissenskorpus und messen Retrieval-Qualität vor der Generierung.
- 02Wir indexieren lokal, ergänzen Metadatenfilter und Quellenzitate.
- 03Wir liefern einen Bericht: Relevanz, Wissenslücken, Betriebskosten und Rollout-Entscheidung.
// 05
Integrationen
QdrantpgvectorFastAPIMeiliSearch
// 06
Architektur
Knoten wählen, um Beschreibung und Datenfluss zu sehen.
Architektur — Textbeschreibung
- Eingang / Daten
- Datenquellen — Inhalte, Dokumente und Ereignisse speisen den Index. (Fluss zu: BGE-M3)
- BGE-M3 — Lokale Embeddings (1024-dim) — PII bleibt lokal. (Fluss zu: OpenClaw-Router)
- KI-Kern
- OpenClaw-Router — Einziger Modellzugang — maskiert PII, wählt Modell, drosselt. (Fluss zu: BGE-M3 Search)
- BGE-M3 Search — Ein selbst gehosteter Dienst für Embeddings und semantische Suche mit Dashboard und vollständiger Beobachtbarkeit des Retrievals. (Fluss zu: API)
- Ausgabe
- API — REST-Fläche — belegte Antworten mit Zugriffskontrolle. (Fluss zu: Qdrant, pgvector, FastAPI, MeiliSearch)
- Qdrant — Integration: Qdrant.
- pgvector — Integration: pgvector.
- FastAPI — Integration: FastAPI.
- MeiliSearch — Integration: MeiliSearch.
// 07
Live-Demo
// 08
FAQ
Was kostet es und wie läuft die Einführung ab?
Wir arbeiten in Spannen je nach Umfang — wir starten mit einem Pilot zu Festkosten, damit Sie den Wert vor einer größeren Investition sehen. Wenn die Lösung ein Dutzend bis mehrere Dutzend Arbeitsstunden im Monat zurückholt, rechnet sie sich meist in 2–4 Monaten. Die Rendite berechnen Sie im ROI-Rechner.
Lässt es sich in unsere Systeme integrieren und ist es DSGVO-konform?
Ja. Wir verbinden uns über kontrollierte, freigegebene Werkzeuge mit Ihren Systemen, und unumkehrbare Aktionen erfordern eine Bestätigung (Human-Gate). Wir maskieren PII vor der Cloud und verarbeiten sensible Pfade lokal — DSGVO- und AI-Act-Konformität von Anfang an eingeplant.
Läuft es offline / on-prem?
Ja — es ist ein selbst gehosteter Dienst; die Embeddings und der Index bleiben bei Ihnen.
Wofür eignet es sich?
Wissenssuche, RAG, Deduplizierung sowie Ähnlichkeit von Dokumenten und Angeboten.
// →Verwandt