|
| 1 | +--- |
| 2 | +tags: |
| 3 | + - Enterprise |
| 4 | +--- |
| 5 | + |
| 6 | +# AI-Suche einrichten |
| 7 | + |
| 8 | +Die AI-gestützte Suche und der AI Chat in Docmost verwenden Vektor-Embeddings, um eine semantische Suche über Ihren gesamten Arbeitsbereich zu ermöglichen. Dies ist eine Enterprise-Funktion, die einen gültigen Lizenzschlüssel erfordert. |
| 9 | + |
| 10 | +## Voraussetzungen |
| 11 | + |
| 12 | +1. **PostgreSQL mit der pgvector-Erweiterung** - Erforderlich für die Speicherung von Vektor-Embeddings |
| 13 | +2. **AI-Anbieter-Konto** - OpenAI, Google Gemini oder selbst gehostetes Ollama |
| 14 | + |
| 15 | +## pgvector installieren |
| 16 | + |
| 17 | +### Docker-Einrichtung |
| 18 | +:::warning |
| 19 | +Da das standardmäßige PostgreSQL-Compose-Image von Docmost auf Alpine basiert und pgvector keinen Alpine-Build hat, können Sie keinen sauberen In-Place-Austausch durchführen. Stattdessen müssen Sie Ihre Daten migrieren. |
| 20 | +::: |
| 21 | + |
| 22 | +Sie können Ihr PostgreSQL-Image auf den von pgvector mitgelieferten PostgreSQL-Build umstellen. |
| 23 | + |
| 24 | +Wenn Sie Docmost bereits eingerichtet haben, sollten Sie zunächst ein Backup Ihrer PostgreSQL-Datenbank erstellen und diese dann in das pgvector-PostgreSQL-Image importieren. |
| 25 | + |
| 26 | +Siehe die pgvector-Docker-Anleitung: https://github.com/pgvector/pgvector#docker |
| 27 | + |
| 28 | +### Manuelle Installation |
| 29 | +Wenn Sie eine Nicht-Docker-Installation von Postgres verwenden, können Sie die pgvector-Erweiterung manuell installieren. |
| 30 | +Siehe die pgvector-Installationsanleitung: https://github.com/pgvector/pgvector#installation |
| 31 | + |
| 32 | +## Unterstützte AI-Anbieter |
| 33 | + |
| 34 | +Docmost unterstützt drei AI-Anbieter: OpenAI (Azure OpenAI), Google Gemini und Ollama (lokale LLMs). |
| 35 | + |
| 36 | +### Anbieterkonfiguration |
| 37 | + |
| 38 | +Alle Anbieter benötigen diese grundlegenden Umgebungsvariablen: |
| 39 | + |
| 40 | +```bash |
| 41 | +AI_DRIVER=<provider> # openai, openai-compatible, gemini, or ollama |
| 42 | +AI_EMBEDDING_MODEL=<model> # Model used for generating embeddings |
| 43 | +AI_COMPLETION_MODEL=<model> # Model used for answering questions |
| 44 | +``` |
| 45 | + |
| 46 | +**Wichtig:** `AI_EMBEDDING_DIMENSION` ist optional und wird automatisch aus den voreingestellten Modellen erkannt. Legen Sie es nur dann manuell fest, wenn Sie ein benutzerdefiniertes Modell verwenden, das nicht in der Voreinstellungsliste enthalten ist. |
| 47 | +Die unterstützten Werte sind `768`, `1024`, `1536`, `2000` und `3072`. |
| 48 | + |
| 49 | +`AI_EMBEDDING_SUPPORTS_MRL` ist optional und steuert, ob der Parameter `dimensions` an die API des Embedding-Modells gesendet wird. Die meisten modernen Embedding-Modelle unterstützen Matryoshka Representation Learning (MRL) und akzeptieren einen `dimensions`-Parameter zur Steuerung der Ausgabegröße. Einige Modelle geben jedoch Embeddings mit fester Größe zurück und geben einen Fehler aus, wenn `dimensions` übergeben wird. |
| 50 | + |
| 51 | +- Wenn nicht festgelegt, wird standardmäßig die Modellvoreinstellung verwendet, sofern verfügbar, andernfalls standardmäßig `true`. |
| 52 | +- Auf `true` setzen, um die Dimension an die Modell-API zu senden. |
| 53 | +- Auf `false` setzen, um das Senden zu überspringen — die Dimension wird weiterhin für den pgvector-Index verwendet. |
| 54 | + |
| 55 | + |
| 56 | +--- |
| 57 | + |
| 58 | +## OpenAI-Konfiguration |
| 59 | + |
| 60 | +Unterstützt die OpenAI API, Azure OpenAI und jeden OpenAI-kompatiblen Anbieter. |
| 61 | +:::tip |
| 62 | +Setzen Sie `AI_DRIVER=openai`, um die offizielle OpenAI API oder Azure zu verwenden. |
| 63 | +Wenn Sie einen anderen kompatiblen Anbieter verwenden, setzen Sie `AI_DRIVER=openai-compatible`. |
| 64 | +::: |
| 65 | + |
| 66 | +### Umgebungsvariablen |
| 67 | + |
| 68 | +```bash |
| 69 | +AI_DRIVER=openai #or openai-compatible |
| 70 | +OPENAI_API_KEY=sk-proj-xxxxx |
| 71 | +AI_EMBEDDING_MODEL=text-embedding-3-small |
| 72 | +AI_COMPLETION_MODEL=gpt-4o-mini |
| 73 | +``` |
| 74 | + |
| 75 | +**Optional:** |
| 76 | +```bash |
| 77 | +OPENAI_API_URL=https://api.openai.com/v1 # For Azure or custom endpoints |
| 78 | +``` |
| 79 | + |
| 80 | +### Voreingestellte OpenAI-Modelle |
| 81 | + |
| 82 | +| Modell | |
| 83 | +|-------| |
| 84 | +| `text-embedding-3-small` | |
| 85 | +| `text-embedding-3-large` | |
| 86 | +| `text-embedding-ada-002` | |
| 87 | + |
| 88 | +### Beispiel |
| 89 | + |
| 90 | +```bash |
| 91 | +AI_DRIVER=openai |
| 92 | +OPENAI_API_KEY=sk-proj-xxxxxxxxxxxxx |
| 93 | +AI_EMBEDDING_MODEL=text-embedding-3-small |
| 94 | +AI_COMPLETION_MODEL=gpt-4o-mini |
| 95 | +``` |
| 96 | + |
| 97 | +### OpenAI-kompatibles Beispiel |
| 98 | + |
| 99 | +Für Drittanbieter, die das OpenAI-API-Format implementieren, aber benutzerdefinierte Embedding-Modelle verwenden: |
| 100 | + |
| 101 | +```bash |
| 102 | +AI_DRIVER=openai-compatible |
| 103 | +OPENAI_API_KEY=your-api-key |
| 104 | +OPENAI_API_URL=https://api.your-provider.com/v1 |
| 105 | +AI_EMBEDDING_MODEL=your-custom-embedding-model |
| 106 | +AI_COMPLETION_MODEL=your-completion-model |
| 107 | +``` |
| 108 | + |
| 109 | +--- |
| 110 | + |
| 111 | +## Google-Gemini-Konfiguration |
| 112 | + |
| 113 | +### Umgebungsvariablen |
| 114 | + |
| 115 | +```bash |
| 116 | +AI_DRIVER=gemini |
| 117 | +GEMINI_API_KEY=AIzaSyxxxxx |
| 118 | +AI_EMBEDDING_MODEL=gemini-embedding-001 |
| 119 | +AI_COMPLETION_MODEL=gemini-2.5-flash |
| 120 | +``` |
| 121 | + |
| 122 | +### Voreingestellte Gemini-Modelle |
| 123 | + |
| 124 | +| Modell | |
| 125 | +|-------| |
| 126 | +| `gemini-embedding-001` | |
| 127 | + |
| 128 | +--- |
| 129 | + |
| 130 | +## Ollama-Konfiguration |
| 131 | +Die AI-Suche und Embeddings von Docmost unterstützen lokale LLMs über Ollama. |
| 132 | +Ollama-Docker-Installationsanleitung: https://docs.ollama.com/docker |
| 133 | + |
| 134 | +:::tip |
| 135 | +Sie können je nach Bedarf und Rechenkapazität jedes von OLLAMA unterstützte Modell verwenden. |
| 136 | +::: |
| 137 | + |
| 138 | +### Umgebungsvariablen |
| 139 | + |
| 140 | +```bash |
| 141 | +AI_DRIVER=ollama |
| 142 | +OLLAMA_API_URL=http://localhost:11434 |
| 143 | +AI_EMBEDDING_MODEL=nomic-embed-text |
| 144 | +AI_COMPLETION_MODEL=qwen2.5:7b |
| 145 | +``` |
| 146 | + |
| 147 | +### Voreingestellte Ollama-Embedding-Modelle |
| 148 | + |
| 149 | +| Modell | |
| 150 | +|-------| |
| 151 | +| `nomic-embed-text` | |
| 152 | +| `qwen3-embedding` | |
| 153 | + |
| 154 | +### Ollama einrichten |
| 155 | + |
| 156 | +1. Ollama installieren: https://ollama.com/download |
| 157 | +2. Embedding-Modell abrufen: |
| 158 | + ```bash |
| 159 | + ollama pull nomic-embed-text |
| 160 | + ``` |
| 161 | +3. Completion-Modell abrufen: |
| 162 | + ```bash |
| 163 | + ollama pull qwen2.5:7b |
| 164 | + ``` |
| 165 | + |
| 166 | +### Beispiel |
| 167 | + |
| 168 | +```bash |
| 169 | +AI_DRIVER=ollama |
| 170 | +OLLAMA_API_URL=http://localhost:11434 |
| 171 | +AI_EMBEDDING_MODEL=nomic-embed-text |
| 172 | +AI_COMPLETION_MODEL=qwen2.5:7b |
| 173 | +AI_EMBEDDING_DIMENSION=768 |
| 174 | +``` |
| 175 | + |
| 176 | +Verwenden Sie für Docker-Bereitstellungen den Ollama-Container: |
| 177 | +```yaml |
| 178 | +services: |
| 179 | + ollama: |
| 180 | + image: ollama/ollama:latest |
| 181 | + ports: |
| 182 | + - "11434:11434" |
| 183 | + volumes: |
| 184 | + - ollama_data:/root/.ollama |
| 185 | +``` |
| 186 | +
|
| 187 | +Setzen Sie dann `OLLAMA_API_URL=http://ollama:11434` in Ihrem Docmost-Container. |
| 188 | + |
| 189 | +--- |
| 190 | + |
| 191 | +## AI-Suche im Arbeitsbereich aktivieren |
| 192 | + |
| 193 | +Nachdem Sie Ihren AI-Anbieter konfiguriert haben: |
| 194 | + |
| 195 | +1. Melden Sie sich bei Docmost als Arbeitsbereich-Administrator an |
| 196 | +2. Gehen Sie zu **Einstellungen** → **AI settings** |
| 197 | +3. Aktivieren Sie **AI-powered search (AI Answers)** |
| 198 | +4. Warten Sie, bis der Hintergrundjob Embeddings für vorhandene Seiten generiert hat (Sie können dies über die Logs überwachen, wenn die Umgebungsvariable _DEBUG_MODE: true_ gesetzt ist) |
| 199 | + |
| 200 | +**Hinweis:** Embeddings werden asynchron generiert. Neue Seiten erhalten Embeddings bei der Erstellung/Aktualisierung nach 10 Minuten. Vorhandene Seiten werden zur Verarbeitung in die Warteschlange gestellt, wenn die AI-Suche aktiviert wird. |
0 commit comments