Die Literatur des Labors als Zitationskarte auf dunklem Grund: Tausende Publikationen als Punkte in Wolken aus Blau, Orange, Türkis, Rosa und Violett, eine Farbe pro Forschungsgemeinschaft, einige häufig zitierte Publikationen mit Erstautor und Jahr beschriftet, und Linien, die von einer Publikation aus dem Jahr 2025 in der Mitte zu den Publikationen ausstrahlen, die sie zitiert.

Agentic RAG · seit 2026

Agentic RAG für eine Fachliteratur

Die Literatur eines Labors mit über 10.000 Publikationen, durchsuchbar für KI-Agenten, jede Antwort auf die Textstelle zurückgeführt, aus der sie stammt.

Kurz gesagt

Die Literatur eines Labors zu durchsuchen hieß bisher: Stichwortsuche, die den Sinn verfehlt, oder ein KI-Chatbot, der seine Zitate erfindet. Physikalische Publikationen sind schwer zu durchsuchen: Zentrale Ergebnisse stecken in Abbildungen, das Argument läuft über Gleichungen, und viel von der Bedeutung eines Satzes liegt in der Quelle, die er zitiert. Das Labor brauchte Antworten, die sich auf eine bestimmte Textstelle in einer bestimmten Publikation zurückführen lassen.

Rolle
Initiator und Hauptentwickler
Zeitraum
seit 2026
Agentic RAGSemantische SucheZitationsgraphDoclingGROBIDCrossRefPostgreSQLpgvectorBGE-M3MCPCI

Gebaut in der Taskforce KI und Digitalisierung des Kläui Lab, die ich leite, neben der Wiki-Suche, die derselbe Chatbot nutzt. Der Ansatz zur Überprüfung stammt aus TracEx.

Ein horizontales Balkendiagramm mit dem Titel „Correct figure in top 10 hits (%)“. Die Suche im Bildunterschriftentext, türkis hervorgehoben, erreicht 92. Die anderen vier Balken sind kurz und grau: Bild-Embeddings mit SigLIP-L 4, SigLIP2 4 und OpenCLIP 5 sowie Stichwortsuche 4. Eine Notiz darunter lautet 63.825 Abbildungen, 100 Abbildungsanfragen. Die Suche im Bildunterschriftentext findet die richtige Abbildung bei 92 % der Fragen unter den ersten 10; Bild-Embeddings schaffen 4 bis 5 %.

Ein Liniendiagramm des Top-10-Recalls für Textstellen in Prozent über der Zahl der Publikationen im Korpus, logarithmisch von 100 bis 10.000. Semantische Suche mit BGE-M3, eine durchgezogene türkise Linie, fällt sanft von etwa 93 auf 77. Hybride Suche, BGE-M3 plus Stichwörter, eine gestrichelte orange Linie, fällt von etwa 85 auf 63. Stichwortsuche allein, eine gepunktete graue Linie, fällt steil von etwa 54 auf 11. Wächst der Korpus auf 10.000 Publikationen, hält die semantische Suche 77 %, während die Stichwortsuche auf 11 % einbricht.

Wie

  • Jede Publikation in einen Baum aus Blöcken zerlegt, mit Docling, GROBID und CrossRef: Abschnitte, Absätze, Abbildungen mit Bildunterschriften, Gleichungen und Literaturangaben, jeweils mit Position auf der Seite. Jede Textstelle speichert den Hash ihrer Quelle, den Checkpoint des Embedding-Modells und die Parser-Version, sodass sich eine Antwort auf die genaue Datei und den genauen Pipeline-Lauf zurückführen lässt.
  • Einen agentenbasierten Retriever gebaut. Ein KI-Agent führt eine semantische Suche über Textstellen von etwa 500 Tokens aus, eingebettet mit BGE-M3 in PostgreSQL mit pgvector, folgt dann den Zitaten im Gefundenen oder wandert durch den Zitationsgraphen um eine Publikation.
  • Abbildungen über ihren Bildunterschriftentext indiziert, ohne eingebettete Pixel und ohne Bildmodell; genau das hat die Bild-Embeddings oben geschlagen.
  • Das übliche hybride Rezept verworfen, als die Evaluation es nahelegte. Der Recall@10 der Stichwortsuche fiel von 0,54 auf 0,11, als der Korpus von 230 auf 9.642 Publikationen wuchs, und über 13 Konfigurationen wurde der Gewinn durch das Einmischen von Stichwörtern in die semantische Suche negativ. Die Volltextsuche von PostgreSQL dient jetzt nur noch als Filter. Beide Goldstandards wurden generiert und adversarial überprüft, ohne Handannotation.
  • Als MCP-Server bereitgestellt mit sechs Tools (search, get_paper, follow_citation, graph_walk, get_figures, report_issue), die eine Enthaltung als strukturierte Daten zurückgeben. Die CI führt die Prüfsuite bei jedem Push aus, und eine festgeschriebene Retrieval-Baseline lässt den Build bei einer Verschlechterung scheitern.

Ein Netzwerkdiagramm auf dunklem Grund für eine Nature-Publikation über Spintransport über lange Distanzen in einem antiferromagnetischen Eisenoxid. Eine Legende nennt die Knotentypen: eine Publikation, vier Abschnitte, 83 Textblöcke, 17 Abbildungen, 7 Gleichungen und 52 Literaturangaben. Der Publikationsknoten sitzt in der Mitte, verbunden mit den Abschnittsknoten; kleine Vorschaubilder der Abbildungen sind durch orange Linien mit den Textblöcken verbunden, die sie zitieren, violette Linien verbinden Gleichungen mit dem Text, der sie verwendet, und die Literaturangaben fächern sich von ihrem eigenen Knoten oben rechts auf. Eine Publikation, wie der Parser sie sieht: 164 Knoten und 185 Verknüpfungen, jede Abbildung mit dem Text verbunden, der sie zitiert.

Eine kraftbasierte Karte von etwa 9.300 Publikationen auf dunklem Grund, nach Forschungsgemeinschaft eingefärbt: Skyrmionen und Dzyaloshinskii-Moriya-Wechselwirkung in Blau unten, Spin-Bahn-Drehmoment und Spin-Hall in Orange rechts, anomaler Hall-Effekt und Altermagnete in Türkis oben, Van-der-Waals- und zweidimensionale Magnete in Rosa oben links, dazu kleinere Gemeinschaften zu magnetischen Tunnelkontakten, topologischen Materialien und orbitalen Hall-Effekten. Einige häufig zitierte Publikationen sind mit Erstautor und Jahr beschriftet, und Linien von einer Publikation aus dem Jahr 2025 nahe der Mitte fächern sich zu den Publikationen auf, die sie zitiert. Der Zitationsgraph, durch den der Agent wandert: die Position folgt daraus, wer wen zitiert, die Farbe aus den Forschungsgemeinschaften darin.

Im Betrieb zusammen mit der Suche im internen Wiki der Gruppe. Ein Agent, der sich über eine längere Aufgabe selbstständig durch die Literatur arbeitet, ist nicht gebaut. Die Ergebnisse habe ich auf der AI4Sci 2026 vorgestellt; der Code ist noch nicht öffentlich.