Belegfrage stellen
Der Nutzer fragt nach Fundstellen, Claims oder Abschnitten, die eine Launch-Aussage stützen.
← Zur Übersicht
03 · Korpus und Quellen
Dokument-Graph
Ein Dokument-Graph modelliert Quellen als Netz aus Dokumenten, Abschnitten, Chunks, Claims, Erwähnungen und Belegen. Er macht sichtbar, woher eine Aussage stammt und welche Textstellen zusammengehören.
Lernziel
Du lernst, wie klassisches RAG durch eine dokumentnahe Graphstruktur nachvollziehbarer wird und warum Belege getrennt von Interpretation bleiben müssen.
Wann dieser Graph-Typ grundsätzlich hilft
- Wenn Antworten überprüfbare Fundstellen und Quellenbezug brauchen.
- Wenn lange oder viele Dokumente in stabile, zitierbare Einheiten zerlegt werden sollen.
- Wenn Retrieval nicht nur Textähnlichkeit, sondern Dokumentstruktur berücksichtigen soll.
Was typischerweise im Graph ist
- Dokumente, Kapitel, Abschnitte, Chunks, Tabellen, Claims und Erwähnungen.
- Beziehungen wie enthält, erwähnt, stützt, widerspricht oder verweist auf.
- Metadaten wie Quelle, Version, Sprache, Autor, Datum und Position im Dokument.
Wofür das LLM diesen Graph nutzt
- Das LLM bekommt ausgewählte Textstellen mit Quellenstruktur.
- Es trennt belegte Aussage und Interpretation.
- Es kann erklären, welche Fundstelle welchen Antwortbaustein stützt.
Typisches Risiko
Der Dokument-Graph wird mit fachlicher Wahrheit verwechselt.
EU-AI-Act-Beispiel
Welche Textstellen stützen die Antwort zur Launch-Freigabe?
Auf diese Demo angewendet
Ein Dokument-Graph erschließt den offiziellen EU-AI-Act-Text als Quellenstruktur. Er macht sichtbar, welche Artikel, Absätze, Erwägungsgründe und Claims eine Antwort tatsächlich stützen.
EU-AI-Act-spezifisch
- Wenn eine Antwort überprüfbare Fundstellen braucht.
- Wenn lange Gesetzestexte in zitierbare Einheiten zerlegt werden sollen.
- Wenn Claims aus Textstellen extrahiert und im Prompt kontrolliert verwendet werden sollen.
Blick in den Maschinenraum
Die Blackbox als Trace geöffnet
Das ist der didaktische Kern: Aus Nutzereingabe werden System-Intent, Graphkontext, LLM-Kontext und schließlich eine Antwort.
Trace
- User
Belegfrage für eine konkrete Pflicht
Welche Textstellen stützen die Aussage, dass wir eine Konformitätsbewertung brauchen?
Benötigt: Artikel, Absatz, Claim mit Belegbezug
- System
Quellenfrage – Beleg vor Deutung
Vorgehen: Dokumentnetz traversieren, Claims mit Fundstelle laden. Keine Interpretation ohne Quellenanker.
Intent: zitierfähiges Retrieval, Beleg und Einordnung trennen
- Graph
Dokumentpfad über zwei Knoten
EU AI Act →enthält→ Art. 43 Abs. 1 [Claim: 'Anbieter müssen vor Inverkehrbringen Konformitätsbewertung durchführen']. Anhang III Nr. 5b [Claim: 'Kreditwürdigkeitsprüfung = Hochrisiko']. Erwägungsgrund 48 [Kontext, keine Rechtsgrundlage].
Dokumentpfad: Anhang III → Klassifizierung → Art. 43 → Pflicht
- LLM
Zitatnähe halten, Deutung markieren
Claims mit Fundstelle empfangen. Anweisung: Beleg und Interpretation trennen. Nur aus vorliegenden Dokumentknoten zitieren. Über den Dokumentinhalt hinausgehende Aussagen kennzeichnen.
Prompt-Constraint: Claim, Fundstelle und Einordnung getrennt ausgeben
- LLM
Zitierfähige Antwort mit Quellenangabe
Art. 43 Abs. 1 verpflichtet explizit zur Konformitätsbewertung vor Markteinführung. Grundlage: Anhang III Nr. 5b klassifiziert Kreditwürdigkeit als Hochrisiko. Erwägungsgrund 48 liefert Kontext, ist aber keine Rechtsgrundlage – das ist ein wichtiger Unterschied.
Whitebox: Anhang III → Klassifizierung → Art. 43 → Pflicht, mit Zitat
Interaktionsmodell
Was der User macht, was im Graph ist, was das LLM macht
Wichtig ist nicht nur der sichtbare Graph. Der Lerneffekt entsteht, wenn sichtbar wird, wie Nutzerintention, Graphkontext und LLM-Synthese zusammenwirken.
Eingabe und Steuerung
User
Quelle eingrenzen
Er kann Sprache, Dokumentversion, Artikelbereich oder Thema eingrenzen.
Zitate prüfen
Der Nutzer schaut, ob Antwort und Fundstelle wirklich zusammenpassen.
Strukturierter Kontext
Graph
Dokumentstruktur
Der Graph enthält Dokument, Kapitel, Artikel, Absatz, Erwägungsgrund und extrahierte Claims.
Quellenkanten
Kanten zeigen, welcher Claim aus welchem Absatz stammt und welche Abschnitte thematisch zusammenhängen.
Retrieval-Einheiten
Chunks sind nicht lose Textstücke, sondern liegen in ihrer Dokumentposition und Belegbeziehung.
Synthese und Sprache
LLM
Textstellen auswählen
Das LLM bekommt nicht den kompletten AI Act, sondern nur passende Artikel, Claims und Quellenanker.
Beleg und Deutung trennen
Es formuliert, was die Quelle sagt, und markiert, welche Interpretation daraus abgeleitet wird.
Antwort zitierfähig machen
Jede relevante Aussage wird auf Dokumentknoten und Fundstellen zurückgeführt.
Sichtbarer Ablauf
Wie das LLM mit dem Graph interagiert
Dialog
- User
Auf welche Artikel stütze ich mich, wenn ich sagen will, dass unser Kreditscoring-System eine Konformitätsbewertung braucht?
- Graph
EU AI Act →enthält→ Art. 43 [Konformitätsbewertung, Abs. 1–3] ←stützt← Anhang III Nr. 5b [Kreditwürdigkeit = Hochrisiko]. Erwägungsgrund 48 [Kontext]. Art. 9 →verweist auf→ Art. 43.
- LLM
Die Pflicht kommt aus Art. 43 Abs. 1, die Grundlage ist Anhang III Nr. 5b – Kreditwürdigkeitsprüfungen stehen dort ausdrücklich. Erwägungsgrund 48 liefert Kontext, ist aber keine Rechtsgrundlage. Wichtig: Anhang III klassifiziert, Art. 43 verpflichtet – ihr braucht beides.
- User
Gibt es Textstellen, die genauer definieren, ab wann ein System wirklich unter Anhang III fällt?
Prompt-Paket
Was ins LLM-Kontextfenster geht
- Nutzerfrage und gewünschte Belegform
- Relevante Artikel und Absätze
- Extrahierte Claims mit Quellenanker
- Hinweise auf verwandte Erwägungsgründe
- Regel, Beleg und Interpretation getrennt auszugeben
Das LLM durchsucht nicht den gesamten Graph. Es bekommt ein ausgewähltes, strukturiertes Kontextpaket und muss innerhalb dieser Grenze antworten.
Observation
Die simulierten Zwischenschritte
1
Quelle schneiden
PDF und XHTML werden in stabile Einheiten wie Artikel, Absätze und Claims zerlegt.
Der Nutzer sieht, welche Textstellen wirklich in der Antwort stecken.
2
Claims extrahieren
Aus relevanten Absätzen entstehen prüfbare Aussagen statt lose Textblöcke.
Die Simulation kann Claim, Fundstelle und Antwortbaustein getrennt anzeigen.
3
Kontext paketieren
Nur ausgewählte Claims und Fundstellen wandern in den Prompt.
Das macht sichtbar, wie klassisches RAG durch Graph-Struktur kontrollierbarer wird.