MechatronicHub

Problem

Technisches Wissen, Objektinformationen und Dokumentation sollten strukturiert, durchsuchbar und für Mitarbeitende einfacher pflegbar werden. Eine reine Stichwortsuche findet nur, wer den exakten Begriff kennt — bei technischer Dokumentation ist das häufig nicht der Fall.

Lösung

Eine Blazor-Anwendung verbindet hierarchische Navigation, redaktionelle Inhalte und semantische Suche in einer gemeinsamen Oberfläche. Kategorien und mechatronische Objekte werden über eine selbst entwickelte TreeView-Komponente mit Drag-and-Drop strukturiert, Inhalte als Markdown gepflegt und über Labels zusätzlich klassifiziert. Ergänzend läuft eine vollständig lokale Retrieval-Pipeline: Inhalte werden in überlappende Chunks segmentiert, über ein lokales Ollama-Modell in Embeddings überführt und anhand von Top-K, Mindestscore und einer zusätzlichen Titel-/Keyword-Gewichtung abgerufen.

Mein Beitrag

• Konzeption und Implementierung der Domänenstruktur aus Kategorie, MechObject, Label und Markdown-Ressourcen.
• Entwicklung einer eigenen TreeView-Komponente inklusive Drag-and-Drop und konsistenter Eltern-Kind-Auflösung.
• Aufbau der Editor- und Popup-Hierarchie für Objekte, Kategorien, Labels und Benutzerrechte.
• Umsetzung eines attributgesteuerten Filtersystems, das Modelleigenschaften ohne Sonderfälle filterbar macht.
• Integration der lokalen RAG-Suche inklusive Chunking, Embedding-Erzeugung, Ranking und Score-Schwellen.
• Entwurf eines Index-Rebuilds, der im Hintergrund läuft und den bestehenden Suchindex währenddessen nutzbar hält.
• Referenzprüfung vor dem Löschen, damit verwendete Kategorien und Labels nicht stillschweigend Daten beschädigen.
• Arbeit an Authentifizierung über Negotiate/LDAP, Rollenmodell, EF-Core-Persistenz, Docker-Setup und Fehleranalyse.

Aufbau

1. Blazor-Anwendung auf .NET 10 als interaktive Weboberfläche
2. Domänenmodell aus Kategorie, MechObject, Label und Markdown-Ressourcen mit eigenen Mapping-Entitäten
3. Persistenz über Entity Framework Core 10 und SQL Server
4. Lokaler Ollama-Dienst für Embeddings — Inhalte verlassen die Umgebung nicht
5. Retrieval-Pipeline: Chunking mit Überlappung → Embeddings → Ähnlichkeitssuche → Ranking über Score, Titel-Boost und Keyword-Gewichtung
6. Suchindex als unveränderlicher Snapshot; ein Rebuild läuft im Hintergrund und wird erst nach Fertigstellung getauscht
7. Authentifizierung über Negotiate beziehungsweise LDAP-Prüfung mit Rollen von Viewer bis Admin
8. Betrieb über Docker Compose gemeinsam mit dem lokalen Embedding-Dienst

Technische Herausforderungen

• Hierarchien konsistent halten, wenn Eltern-Kind-Beziehungen per Drag-and-Drop geändert werden.
• Strukturierte Metadaten sinnvoll mit frei formulierter Markdown-Dokumentation verknüpfen.
• Suchqualität über Chunk-Größe, Überlappung, Ergebnisanzahl und Mindestscore ausbalancieren — kurze Anfragen brauchen eine andere Schwelle als ganze Sätze.
• Den Suchindex neu aufbauen, ohne laufende Suchanfragen zu blockieren oder einen halbfertigen Zwischenstand auszuliefern.
• Authentifizierung im Unternehmensnetz über unterschiedliche Laufzeitumgebungen hinweg.
• Container- und Datenbankverbindungen diagnostizieren, etwa bei nicht erreichbarem SQL Server.

Ergebnis

Die Anwendung deckt die Kernfunktionen ab: Objekte anlegen und einordnen, Dokumentation als Markdown pflegen, über Labels und Filter eingrenzen und per semantischer Suche wiederfinden — ohne dass Inhalte ein externes KI-System verlassen. Der genaue Produktivstatus wird hier bewusst nicht behauptet.

Medien