Capybara_AI

Capybara_AI ist ein Arbeitsplatz für Teams, die Sprachmodelle einsetzen wollen, ohne ihre Daten an einen US-Anbieter zu geben. Alles läuft in der eigenen Infrastruktur: Modelle, Vektorindex, Protokolle.

Warum

Die verfügbaren Werkzeuge lösen jeweils ein Drittel des Problems. Chat-UIs können keine Dokumente. RAG-Baukästen haben keine Rechteverwaltung. Agent-Frameworks sind Bibliotheken, keine Produkte. Capybara_AI setzt die drei Ebenen zusammen.

Architektur

• Workspace-Ebene — Mandanten, Rollen, Audit-Log. Jede Anfrage ist einem Mandanten zugeordnet, es gibt keinen globalen Kontext.
• Retrieval-Ebene — PostgreSQL mit pgvector, Chunking pro Dokumenttyp, Hybrid-Suche aus BM25 und Embedding-Ähnlichkeit.
• Agenten-Ebene — deterministische Orchestrierung: Werkzeugaufrufe sind typisiert, jeder Schritt ist protokolliert und wiederholbar.

// Werkzeuge werden typisiert registriert, nicht per Freitext beschrieben
const tools = defineTools({
  searchDocuments: {
    input: z.object({ query: z.string().min(3), limit: z.number().max(20) }),
    handler: async ({ query, limit }, ctx) =>
      retrieve({ tenantId: ctx.tenantId, query, limit }),
  },
});

Stand

Im produktiven Einsatz bei Pilotkunden. Nächster Schritt: Auswertung der Retrieval-Qualität gegen einen eigenen Testdatensatz statt gegen Bauchgefühl.