Unternehmenswissen für Sprachagenten bereitstellen

Wenn Unternehmen Voice Agents zur Unterstützung von Mitarbeitenden und Kunden einsetzen, wird die Qualität der Informationen, auf die diese Agents zugreifen, zu einem entscheidenden Faktor für ihre Leistung. Agents können selbstständig gut schlussfolgern. Sollen sie jedoch unternehmensspezifische Richtlinien, Produktdetails oder interne Prozesse abbilden, benötigen sie Zugang zu zuverlässigem und gut strukturiertem Wissen.

Wissensdatenbanken für Agents bieten diese Grundlage und Spezialisierung. Sie speichern Dokumentationen, Richtlinien, technische Referenzen, Produktspezifikationen, Supportmaterialien und weitere interne Ressourcen. Für eine effektive Nutzung müssen Inhalte kuratiert, organisiert und strukturiert sein, damit Agents präzise, fundierte Antworten liefern können, statt sich auf allgemeines Modellwissen zu verlassen, das unvollständig oder veraltet sein kann.

Dieser Leitfaden stellt praktische Strategien für die Verwaltung von Wissensdatenbanken in Agent-Implementierungen vor. So arbeiten Voice Agents auch mit großen, vielfältigen Dokumentensammlungen zuverlässig.

So greifen Voice Agents auf Ihre Wissensdatenbank zu

Sie können eine Wissensdatenbank direkt auf der ElevenLabs-Agents-Plattform konfigurieren. Diese Inhalte stehen Ihrem Agent während Gesprächen zur Verfügung.

Die Plattform bietet zwei Modi für die Nutzung dieser Inhalte:

• Direkte Einbindung in den Kontext: Bei kleineren Wissensdatenbanken werden die Inhalte direkt in das Kontextfenster des Modells eingefügt. Das ermöglicht sofortigen Zugriff mit minimaler Latenz und eignet sich am besten für kleinere Wissensdatenbanken.
• Retrieval-Augmented Generation (RAG): Ist eine Wissensdatenbank zu groß für den Kontext, durchsucht das System sie und ruft anhand der Nutzeranfrage nur die relevantesten Abschnitte ab.

Wann RAG effektiv ist – und wann nicht

Die Entscheidung zwischen direkter Einbindung und RAG hängt vor allem von der Größe der Wissensdatenbank ab.

Betrachten Sie eine „Bibliothek mit Produkthandbüchern“ mit 1.000 Dokumenten und insgesamt etwa 2 Millionen Wörtern (~2,6 Millionen Tokens). In diesem Fall überschreitet die direkte Einbindung die Kontextgrenzen der meisten schnellen LLMs und RAG wird aktiviert. Dadurch werden nur relevante Ausschnitte abgerufen und der Kontext bleibt unabhängig von der Gesamtgröße der Wissensdatenbank handhabbar.

Bei einem vierseitigen Richtliniendokument (~3.000 Tokens) ist die direkte Einbindung dagegen schneller und einfacher. RAG würde unnötige Latenz verursachen. 

Die ElevenLabs-Plattform übernimmt dies automatisch: Die Option zur Aktivierung von RAG wird erst verfügbar, wenn Ihre Wissensdatenbank eine Größe erreicht, bei der der Abruf effizienter wäre als die direkte Einbindung.

Effektive Wissensdatenbanken beginnen mit der Dokumentenvorbereitung

Bei einer großen und vielfältigen internen Dokumentenbasis ist der erste Schritt nicht die Implementierung, sondern die Kuratierung. Exzellente Quellen liefern exzellente Antworten, während schlechte Quellen Fehler und Halluzinationen verursachen.

Kuratieren Sie vor der Implementierung. Archivieren oder entfernen Sie veraltete Entwürfe, ersetzte Versionen und irrelevante Materialien. Wenn ein Dokument nicht zur Beantwortung von Kundenfragen verwendet werden sollte, gehört es nicht in Ihre Wissensdatenbank. Diese Kuratierung sorgt für eine zuverlässige Informationsquelle und reduziert Störungen beim Abruf.

Organisieren Sie nach Fachbereich. Strukturieren Sie die verbleibenden Dokumente in klar abgegrenzte, logische Kategorien wie HR-Richtlinien, Produktdokumentation, rechtliche Vereinbarungen, technische Handbücher oder Prozesse für den Kundensupport. Diese fachliche Organisation wird entscheidend bei der Implementierung von Multi-Agent-Workflows auf der ElevenLabs-Plattform, in denen spezialisierte Agents bestimmte Wissensbereiche bearbeiten.

Qualität vor Quantität. Eine gut kuratierte Sammlung weniger hochwertiger Dokumente erzielt bessere Ergebnisse als eine große Anzahl von Dateien unterschiedlicher Qualität. Konzentrieren Sie sich auf Vollständigkeit, Genauigkeit und Relevanz innerhalb jedes Fachbereichs. Mit sauberen, organisierten Daten zu beginnen, ist nicht nur Best Practice: Es entscheidet darüber, ob ein Agent Nutzer überzeugt oder sie mit irrelevanten oder widersprüchlichen Antworten frustriert.

Strategien zur Implementierung von Wissensdatenbanken

Sobald Wissen und Zugriffsmuster feststehen, stellt sich die Frage, wie Sie Ihre Agent-Architektur für einen effektiven Zugriff auf die Wissensdatenbank aufsetzen. Unternehmen können zwischen fünf Architekturansätzen wählen, die direkt auf der ElevenLabs-Agents-Plattform umgesetzt werden können – von einfachen bis zu komplexen Konfigurationen, abhängig von Wissensumfang und Anforderungen.

1. Wissensdatenbank für einen einzelnen Agent

Bei der einfachsten Implementierung wird eine Wissensdatenbank direkt einem einzelnen Agent zugewiesen. Laden Sie Ihre kuratierten Dokumente auf die ElevenLabs-Agent-Plattform hoch, erstellen Sie eine Wissensdatenbank und weisen Sie sie Ihrem Agent in den Konfigurationseinstellungen zu. Keine Workflows, kein Routing und keine externen Tools erforderlich. Dieser Ansatz liefert den schnellsten Nutzen und eignet sich ideal für fokussierte Anwendungsfälle wie ausschließlich HR-Richtlinien, ausschließlich Produktdokumentation oder Kundensupport für eine einzelne Produktlinie.

Bei großem Umfang zeigen sich Einschränkungen. Bei sehr großen oder stark vielfältigen Wissensdatenbanken kann die Leistung nachlassen. Ohne Spezialisierung durchsucht der Agent alle Dokumente und ruft möglicherweise weniger relevante Ergebnisse ab, wenn das Wissen sehr unterschiedliche Themen umfasst. Wenn die Genauigkeit aufgrund der Vielfalt der Wissensdatenbank sinkt, ist es Zeit für Multi-Agent-Workflows.

2. Trennung von Wissen für mehrere Agents

Für große, vielfältige Dokumentensammlungen ermöglicht eine Multi-Agent-Workflow-Architektur effiziente Skalierung. Ein Orchestrierungs-Agent analysiert eingehende Fragen und leitet sie an spezialisierte Agents weiter, die jeweils eine fokussierte Wissensdatenbank für ihren Fachbereich haben. Fragt ein Nutzer: „Wie lautet die Elternzeitregelung in Kalifornien?“, erkennt das System den HR-Bezug und leitet die Anfrage an einen auf HR spezialisierten Agent weiter, der nur Zugriff auf HR-Dokumente hat.

Die Implementierung umfasst separate Wissensdatenbanken pro Fachbereich, einen Workflow mit spezialisierten Knoten und konfigurierte Routing-Bedingungen. Kleinere, fokussierte Kontexte verbessern die Genauigkeit und reduzieren die Latenz. Die Trennung nach Fachbereichen vereinfacht zudem die Wartung, da jeder Bereich unabhängig aktualisiert wird. Der Ansatz eignet sich für Unternehmen, die Agents für mehrere Themenbereiche einsetzen.

3. Hybrider Ansatz: Wissensdatenbank zur Erkennung, Tools für Daten

Dieses Muster trennt Verstehen und Nachschlagen. Die Wissensdatenbank erkennt Terminologie und ordnet sie Systemkennungen zu, die als Dokument zur Wissensdatenbank hinzugefügt wurden. Webhook-Tools rufen aktuelle Daten aus maßgeblichen Quellen ab. 

Bei der Frage „Welche Details hat mein Premium-Plus-Tarif?“ verwendet der Agent beispielsweise seine Wissensdatenbank, um die Tarif-ID PLAN_001 zu identifizieren. Anschließend ruft er ein Tool auf, das Ihre Live-Datenbank nach aktuellen Preisen und Funktionen abfragt.

Das gewährleistet Genauigkeit, da Fakten aus Datenbanken statt aus der LLM-Generierung stammen, liefert Echtzeitdaten zum aktuellen Stand und erstellt durch protokollierte Tool-Aufrufe Audit-Trails. Der Ansatz eignet sich für Fälle, die sowohl Dokumentationsverständnis als auch den Abruf strukturierter Daten erfordern – etwa im Kundensupport, Account Management und E-Commerce, wo Dokumente Konzepte erklären, Datenbanken aber aktuelle Fakten enthalten.

4. Externe Vektordatenbank

Unternehmen können ihre eigene Vektordatenbank verwalten – etwa Pinecone, Weaviate oder Qdrant – und sie über benutzerdefinierte Webhook-Tools verfügbar machen. Dies bietet vollständige Kontrolle über Chunking, Embeddings und Abrufalgorithmen, erhöht aber den Betriebsaufwand durch Infrastrukturverwaltung sowie die Latenz durch externe API-Aufrufe. Das schafft Flexibilität, bringt jedoch auch Betriebsaufwand und externe Latenz mit sich. 

5. Die Dual-Brain-Architektur

Einige Unternehmen betreiben bereits eigene, feinabgestimmte LLMs. Sie lassen sich am effektivsten direkt über die ElevenLabs-Agent-Plattform als benutzerdefiniertes LLM oder über eine Dual-Brain-Architektur anbinden.

Dual-Brain-Architekturen (mit zwei aktiven LLMs) werden typischerweise eingesetzt, wenn das benutzerdefinierte LLM zu langsam für ein Echtzeitgespräch ist. Wenn tiefergehendes Schlussfolgern oder zusätzlicher Kontext erforderlich ist, wird der Agent von einem schnelleren LLM betrieben, das das benutzerdefinierte LLM des Kunden nach Eingaben fragen kann. Diese werden dann über Kontextaktualisierungen in das Gespräch eingebunden.

Da diese Aufrufe asynchron erfolgen, bleibt das Gespräch flüssig, während das Backend rechenintensivere Aufgaben ausführt. Dieser Ansatz ermöglicht Unternehmen, auf ihrer bestehenden KI-Infrastruktur aufzubauen. 

Fazit

Effektive Voice Agents basieren auf klarem, gut organisiertem Wissen. Wenn Unternehmensinformationen strukturiert, präzise und für Agents leicht navigierbar sind, werden sie zu einer zuverlässigen Quelle für fundierte und konsistente Agent-Antworten. 

Die ElevenLabs-Plattform bietet native Verwaltung von Wissensdatenbanken, Multi-Agent-Workflows, Webhook-Integration und umfassende APIs, die nahtlos zusammenarbeiten. Bei durchdachter Implementierung mit sauberen Daten und einer passenden Architektur wird Unternehmenswissen über natürliche Gespräche zugänglich. Gut umgesetzt ist das nicht nur ein Implementierungsdetail, sondern ein operativer Vorteil.

Anleitung: Dokumenten-Uploads skalieren

Konsolidieren Sie vor dem Upload. Statt 500 einzelne Dateien hochzuladen, führen Sie alle Dokumente eines Fachbereichs in einer Datei zusammen. Das reduziert den Verwaltungsaufwand, vereinfacht die Agent-Konfiguration und verbessert den Abruf, da zusammenhängende Inhalte gebündelt bleiben.

Gruppieren Sie Dokumente strategisch nach Produktlinie, Region, Abteilung oder Funktion. Jede konsolidierte Wissensdatenbank wird einem Agent (einzelner Agent) oder einem spezialisierten Agent-Knoten (Multi-Agent-Workflows) zugeordnet. 

Nutzen Sie die ElevenLabs-API zum Hochladen von Inhalten über URLs, Text oder Dateien. Integrieren Sie Uploads in Ihre CI/CD-Pipeline, damit Konsolidierung und Aktualisierungen automatisch erfolgen, sobald sich die Quelldokumentation ändert.

Anleitung: Automatische Wissensaktualisierung

Überwachen Sie Ihre Dokumentations-Repositories (Git, SharePoint, CMS). Werden Änderungen erkannt, starten Sie eine automatisierte Verarbeitung, um aktualisierte Dokumente zusammenzuführen.

Nutzen Sie die API, um Wissensdatenbanken programmgesteuert zu aktualisieren. Ein typischer Workflow: Dokumentationsaktualisierung → CI/CD-Pipeline wird ausgelöst → Dokumente werden konsolidiert → API ersetzt die Wissensdatenbank → Agents greifen sofort auf aktualisierte Informationen zu.

Behandeln Sie Dokumentation wie Code. Wenden Sie auf Aktualisierungen von Wissensdatenbanken dieselbe DevOps-Strenge an wie auf Code-Deployments. Die API-first-Architektur der Plattform vereinfacht die Integration in bestehende Pipelines und gewährleistet Genauigkeit und Compliance ohne manuellen Eingriff.