Retrieval-Qualität entscheidet sich an Wahlmöglichkeiten, die die meisten Tutorials nie im Vergleich zeigen. Dieser Spielplatz lässt mehrere Strategien gegen dieselbe Frage und denselben Korpus laufen, damit der Unterschied sichtbar wird statt behauptet.

Ein Spielplatz zum Vergleichen von Retrieval-Strategien über verschiedene Datenarten in einer Oberfläche. Der Textmodus indexiert txt, md oder json und lässt vier Strategien gegen dieselbe Frage laufen: Baseline-Vektorsuche, hybride BM25-plus-Vektor-Fusion, Small-to-Big-Satzfenster und einen LLM-Router. Jede Antwort behält ihre eigenen abgerufenen Passagen und Ähnlichkeitswerte.

Die anderen Modi decken strukturierte Daten, multimodale PDFs, Bilder und Video ab. Eine CSV-Frage wird in pandas-Code übersetzt, ausgeführt und als Diagramm gezeigt; PDFs werden von PyMuPDF oder MinerU geparst und aus gemeinsamem Text- und Abbildungs-Retrieval beantwortet; die Bildsuche läuft als Text-zu-Bild und Bild-zu-Bild in einem gemeinsamen Embedding-Raum; und eine MP4-Datei wird von TwelveLabs indexiert, nach passenden Segmenten durchsucht und zu einer schriftlichen Antwort mit Zeitstempeln analysiert.

Gebaut auf LlamaIndex und FastAPI mit einem React-Frontend meldet das Backend an einem Konfigurationsendpunkt, welche Schlüssel vorhanden sind, und degradiert mit einem klaren Fehler, wenn ein gehosteter Dienst fehlt, statt erfundene Daten zurückzugeben. Milvus ist nur für den PDF-Agenten-Modus erforderlich; die anderen Modi halten ihren Zustand im Speicher.

Lesen Sie es für die Vergleichs-Harness selbst und für die multimodalen Pfade: CSV in pandas-Code, PDF in gemeinsames Text- und Abbildungs-Retrieval, Bild-zu-Bild-Suche in einem Embedding-Raum, Video nach Segmenten indexiert. Jeder Modus scheitert ehrlich, wenn der Schlüssel seines Anbieters fehlt, und das ist eine eigene Lektion.