Interner Produkt-Chatbot mit RAG-Architektur
Vollständige RAG-Pipeline für ca. 170.000 Produkte aufgebaut.
Vertriebsmitarbeiter können sekundenschnell Fragen zu technischen
Produktdaten stellen und erhalten kontextgenaue Antworten –
direkt über Slack integriert und heute noch produktiv im Einsatz.
Problem
Mitarbeiter mussten bei Kundenanfragen manuell in hunderten
PDF-Datenblättern suchen – zeitaufwändig, fehleranfällig und
im Tagesgeschäft kaum praktikabel.
Ergebnis
Sekundenschnelle Antworten zu technischen Produktdaten direkt
im Slack-Workflow – ohne Suche in PDFs, ohne Unterbrechung
des Kundengespräches.
Architektur — RAG-Pipeline
~170.000 Produkte indexiert
text-embedding-ada-002 Embedding-Modell
ChromaDB mit DuckDB+Parquet Backend
EAN-basierte + semantische Suche kombiniert
Keyword-Filter für Produktrelevanz
Slack API Integration
~2 Monate Entwicklungszeit
Heute noch produktiv im Einsatz
Technische Besonderheiten
- Eigene OpenAI Embedding-Klasse entwickelt (OpenAIEmbeddingFunction)
- Intelligente Keyword-Filterung für die Baubranche verhindert Off-Topic Anfragen
- EAN-Lookup aus CSV kombiniert mit Vektorsuche
- Fallback-Logik wenn kein passendes Produkt gefunden
- Prompt Engineering für präzise, seriöse Antworten
- temperature=0 für minimale Halluzinationen
Python
OpenAI API
ChromaDB
RAG
Embeddings
GPT-3.5-turbo
Slack API
DuckDB
Parquet
Pandas
JSON
Vektordatenbank
KI Pilot Web App
Wird demnächst vorgestellt.
Cloudflare
Workers AI
JavaScript
Automatische Varianten-Gruppierung
Wird demnächst vorgestellt.
Python
RapidFuzz
Pandas
Semantische Produktsuche
Wird demnächst vorgestellt.
Embeddings
Vektordatenbank
Diese Bewerbungswebseite
Wird demnächst vorgestellt.
Cloudflare
GitHub
Claude Code