Wie NoteIA ein 200-Seiten-PDF liest

Unser Ansatz für Zerlegung und seitenweise Zitation.

Ein 200-Seiten-PDF ist kein Text. Es ist ein hybrides Objekt: Inhalts- verzeichnis, Anhänge, Tabellen, Fußnoten, wechselndes Layout. Es ungefiltert in einen Motor zu kippen liefert mittelmäßige Ergebnisse. So gehen wir vor.

Zerlegen, nicht abschneiden

Der erste Fehler bestünde darin, das Dokument in gleich große Blöcke zu zerlegen, nach Kilometer. Man erhält Fragmente, die einen Satz mitten durchschneiden und den Kontext verlieren.

Unser Ansatz: nach der Struktur des Dokuments zerlegen — Titel, Abschnitte, Absätze — und dabei die ursprüngliche Seitennummerierung erhalten. Jedes Fragment weiß, woher es kommt.

Die Seite als Anker behalten

Die Zitation auf Seitenebene ist kein Detail. Sie ist es, die eine überprüfbare Zusammenfassung von einer Halluzination trennt.

Wenn NoteIA eine Zusammenfassung schreibt, ist jede Aussage mit einem Fragment verknüpft und jedes Fragment mit einer Seite. Du kannst zur Quelle zurückkehren, im ursprünglichen Dokument, ohne raten zu müssen.

Ganz lesen, im richtigen Moment zitieren

Wir lesen das Dokument vollständig — nicht nur den Anfang, nicht nur die Zusammenfassung für die Geschäftsebene. Aber wir spucken nicht alles in die Antwort aus: wir zitieren das, was relevant ist, dann, wenn es relevant ist.

Das ist der Unterschied zwischen einem Werkzeug, das das Dokument „gelesen” hat, und einem, das etwas damit gemacht hat.

Was wir an jedem Dokument lernen

Jedes PDF ist ein Lehrstück. Tabellen, Fußnoten, Anhänge stellen je ein anderes Problem. Wir passen die Zerlegung Dokument für Dokument an, ohne die Zitation je zu opfern.