Zum Hauptinhalt springen
File Search Configuration

​
Überblick

Der File-Search-Node fragt deine Wissensordner ab, um relevante Informationen und Kontext abzurufen. Verbinde deinen Workflow mit der Wissensordnern - durchsuche Dokumente, Dateien und Daten, die in Wissensordnern gespeichert sind, um KI-Antworten anzureichern, Informationen zu validieren oder Kontext für Entscheidungen bereitzustellen.
Am besten für: Wissensabruf, Dokumentensuche, Kontext-Anreicherung, RAG (Retrieval Augmented Generation) und Zugriff auf organisationales Wissen.

​
Wann du File Search verwenden solltest

Perfekt für:
  • Durchsuchen von Unternehmensdokumentation und Wissensdatenbanken
  • Abrufen relevanten Kontexts für KI-Agent-Antworten
  • Finden spezifischer Informationen über mehrere Dokumente hinweg
  • Implementierung von RAG (Retrieval Augmented Generation) Mustern
  • Validierung von Informationen gegen internes Wissen
  • Anreicherung von Workflows mit Organisationsdaten
Nicht ideal für:
  • Echtzeit-Web-Suche (verwende Web-Search-Node)
  • Abrufen von Daten von externen APIs (verwende HTTP-Request-Node)
  • Verarbeitung einzelner Dateien (verwende direkte Dateianhänge)

​
Konfiguration

File Search Configuration

​
Wissensordner

Wähle den Wissensordner aus, den du aus den verfügbaren Ordnern deines Workspaces durchsuchen möchtest. Optionen:
  • Wähle aus verbundenen Wissensordnern
  • Jeder Ordner enthält deine hochgeladenen Dokumente und Dateien
  • Ordner können PDFs, Word-Docs, Spreadsheets und mehr enthalten

​
Suchanfrage

Die Suchanfrage zum Finden relevanter Informationen. Unterstützt Manual-, Auto- und Prompt-AI-Modi. Manual-Modus-Beispiele: 
{{trigger.output.customer_question}}

Finde Informationen über {{trigger.output.product_name}} Preise und Features
Prompt-Modus: 
Generiere eine Suchanfrage, um relevante Informationen über die Kundenfrage zu finden: {{trigger.output.question}}

​
Max. Ergebnisse

Die maximale Anzahl relevanter Ergebnisse, die zurückgegeben werden sollen (Standard: 5) Empfehlungen:
  • 1-3 Ergebnisse: Fokussierte, spezifische Anfragen
  • 5-10 Ergebnisse: Breiterer Kontext benötigt
  • 10+ Ergebnisse: Umfassende Suchen (kann Performance beeinflussen)

​
Wie es funktioniert

  1. Anfrage wird gegen den ausgewählten Wissensordner verarbeitet
  2. Semantische Suche findet die relevantesten Dokument-Chunks
  3. Ergebnisse werden nach Relevanz-Score sortiert
  4. Top-N-Ergebnisse werden basierend auf Max-Ergebnisse-Einstellung zurückgegeben
  5. Abgerufene Informationen sind für nachfolgende Nodes verfügbar

​
Beispiel-Anwendungsfälle

​
Kundensupport mit Wissensdatenbank

Formular-Trigger (Kundenfrage)
→ File Search: Frage Wissensordner mit {{trigger.question}} ab
  Wissensordner: "Support-Dokumentation"
  Max. Ergebnisse: 5
→ Agent: Beantworte Frage mit Suchergebnissen
  Kontext: {{file_search.output.results}}
  Frage: {{trigger.question}}
→ Benachrichtigung: Sende Antwort an Kunden

​
Produktinformations-Suche

Integrations-Trigger (Slack-Frage über Produkt)
→ File Search: Durchsuche Produktwissen
  Wissensordner: "Produktinformationen"
  Anfrage: {{trigger.message}}
  Max. Ergebnisse: 3
→ Agent: Fasse relevante Produktdetails zusammen
→ Action: Antworte im Slack-Thread

​
Dokumentenvalidierung

Formular-Trigger (Benutzer-Claim-Einreichung)
→ File Search: Finde relevante Richtlinien
  Wissensordner: "Unternehmensrichtlinien"
  Anfrage: "{{trigger.claim_type}} Richtlinienanforderungen"
  Max. Ergebnisse: 5
→ Agent: Validiere Claim gegen Richtlinien
  Richtlinien: {{file_search.output.results}}
  Claim: {{trigger.claim_details}}
→ Condition: Genehmigt oder erfordert Überprüfung?

​
Auf Suchergebnisse zugreifen

Greife auf die abgerufenen Informationen in nachfolgenden Nodes zu: 
{{file_search.output.results}}
{{file_search.output.results[0].content}}
{{file_search.output.results[0].score}}
{{file_search.output.results[0].source}}

​
Ergebnis-Struktur

Jedes Ergebnis enthält:
  • content: Der relevante Text-Chunk aus dem Dokument
  • score: Relevanz-Score (0-1, höher ist relevanter)
  • source: Quelldateiname und -ort
  • metadata: Zusätzliche Datei-Metadaten
Verwendung in Agent-Prompts: 
Kontext aus Wissensdatenbank:
{{file_search.output.results}}

Basierend auf dem obigen Kontext, beantworte diese Frage:
{{trigger.output.question}}

​
Einschränkungen

  • Wissensordner-Umfang: Durchsucht nur innerhalb des ausgewählten Wissensordners
  • Ergebnisqualität: Hängt von Qualität und Vollständigkeit der hochgeladenen Dokumente ab
  • Chunk-Größe: Große Dokumente werden in Chunks aufgeteilt; relevante Informationen könnten sich über mehrere Ergebnisse erstrecken
  • Echtzeit-Updates: Dokumentänderungen erfordern Neuverarbeitung, bevor sie in Suchergebnissen erscheinen
Wichtig: Stelle sicher, dass deine Wissensordner regelmäßig mit aktuellen Informationen aktualisiert werden, um genaue Suchergebnisse zu erhalten.

​
Best Practices

Spezifischere Anfragen liefern relevantere Ergebnisse. Füge Schlüsselbegriffe, Produktnamen oder Themen hinzu, anstatt generischer Suchen.
Beginne mit 5 Ergebnissen und passe basierend auf Antwortqualität an. Zu wenige könnten wichtigen Kontext verpassen, zu viele können Relevanz verwässern.
Organisiere Wissensordner nach Thema oder Bereich für gezieltere Suchen. Trenne technische Docs von Marketing-Inhalten.
File Search ist am leistungsfähigsten in Kombination mit Agent-Nodes. Der Agent kann die abgerufenen Informationen synthetisieren und interpretieren.
Teste deine File Search mit tatsächlichen Fragen, die Benutzer stellen könnten, um sicherzustellen, dass Wissensordner-Inhalte ausreichend sind und Anfragen relevante Ergebnisse liefern.
Füge eine Bedingung nach File Search hinzu, um Fälle zu behandeln, in denen keine relevanten Ergebnisse gefunden werden. Stelle Fallback-Antworten oder Eskalationspfade bereit.

​
Nächste Schritte

Agent-Node

Verarbeite und synthetisiere Suchergebnisse mit KI

Wissensordner

Lerne, wie du Wissensordner einrichtest und verwaltest

Web-Suche

Durchsuche das Internet nach aktuellen Informationen

Condition-Node

Route basierend auf Suchergebnisqualität