Zurück zu den Projekten

Nexus KI

Privates Dokumenten-Vault: Dateien hochladen, sofort zitierfähige Antworten. RAG-Chat mit Hybrid-Suche und Konversationsgedächtnis.

Eine Privacy-first Alternative zu allgemeinen KI-Tools für sensible interne Dokumente.

Nexus AI app preview
Chat-Oberfläche mit Dokumenten-Upload und Quellenangaben.

Nexus KI ist ein privater Dokumententresor, der interne Dateien in ein zitierfähiges Wissens-Erlebnis verwandelt. Nutzer laden PDFs und Office-Dokumente hoch und fragen sie in einem Chat ab — Antworten streamen und zeigen explizite Quellen-Badges. Die App kann als öffentliches Demo laufen oder bei aktivierter Auth Sign-in + Nutzer-Isolation erzwingen. Technisch besteht sie aus einer Ingestion-Pipeline (extrahieren → chunken → embedden → Pinecone) plus guarded Retrieval (hybride Vektoren, Keyword-Fallback, optionales Reranking) und Observability (Audit-Logs und Usage Events).

Branchenstudien deuten darauf hin, dass Knowledge Worker ~12 Stunden pro Woche mit der Suche nach Informationen verlieren — Nexus KI macht daraus Sekunden.

Architektur

Funktionen

  • Quellen-First Chat — Streaming-Antworten mit expliziten Badges wie [Source: file.pdf, Page N], UI rendert daraus Source-Chips.
  • Guarded Hybrid Retrieval — Dense Vektorsuche (Gemini Embeddings) mit optionalem Sparse-Recall und Keyword-Fallback bei niedriger Konfidenz; optional Cohere Rerank.
  • Konversationsgedächtnis — verdichtet die letzten 4 Nachrichten zu einer standalone Query, damit Follow-ups Kontext behalten.
  • Ingestion mit Lifecycle — Document: PROCESSING → COMPLETE/FAILED mit chunksCount; unterstützt PDF/TXT/MD/DOCX/XLSX.
  • Enterprise Controls — optionale Auth + Multi-Tenancy, RBAC (VIEWER), Rate Limiting, Audit-Logs, Usage Events und Public API Keys.

Enterprise-Anforderungen (Checkliste)

  • Datenschutz: Dokumente werden nicht zum Training öffentlicher Modelle genutzt; Daten bleiben getrennt.
  • Quellenangaben: Jede Antwort nennt das Ursprungsdokument (und Seite, wenn verfügbar).
  • Auth + Zugriff: optionales Sign-in, Rollenrechte (Admin/Editor/Viewer).
  • Nachvollziehbarkeit: Audit-Logs (wer fragte was wann) und Usage Events für Kostenmonitoring.
  • Integration: API Keys für programmatic Query/Ingest über Public Endpoints.

Security & Betrieb

  • Multi-Tenancy: Pinecone Namespaces und DB-Scoping verhindern Cross-Tenant Retrieval.
  • Guardrails: Rate Limiting gegen Abuse/Spend; Keyword-Fallback für exakte Begriffe/IDs.
  • Deployment-ready: Vercel-friendly Setup plus Docker + CI Checks für Self-Hosted Workflows.
  • Observability: strukturierte Logs, Tracing Hooks und persistierte Usage Events für Tuning & Budgets.

Tech-Stack

  • Next.js (App Router), TypeScript, Tailwind, Vercel KI SDK — UI + Streaming-Chat
  • Gemini (gemini-2.5-flash + Vision), text-embedding-004 (768d) — Chat, Condense, Embeddings
  • Pinecone — Vector Store (dense + optional sparse); optional Cohere Rerank
  • Prisma + PostgreSQL — Users, Documents, Chat-History, Audit-Logs, Usage Events

Dokumenten-Erfassungspipeline

  1. Document-Row anlegen (PROCESSING), Ingest von File-URL; COMPLETE (chunksCount) oder FAILED setzen.
  2. Extraktion nach Typ: PDF (pdf-parse + optional Vision-Zusammenfassung für kleinere PDFs), DOCX (Mammoth), XLSX (Sheet → CSV-Text), TXT/MD (UTF-8).
  3. Chunking: fixed (1000 Zeichen / 200 Overlap) oder semantisch (satzbasiert) via RAG_CHUNKING=semantic.
  4. Embeddings mit Gemini text-embedding-004 (768 dims) und Upsert nach Pinecone mit Metadaten (fileName, documentId, optional userId, Snippet).

Repository & Demos

Repository