03 · Sovereign-RAG-Plattform
FileGPT.dev
Ein privates, mandantenfähiges RAG-Referenzsystem für internes Unternehmenswissen, entwickelt rund um begrenztes Retrieval, Quellen, Zugriffstrennung und betreibbare Produktionsgrenzen.
Rolle
AI Systems und Full-Stack Engineering
Kernentscheidung
Eng abrufen, jede Antwort belegen
Status
Aktive private Referenzimplementierung
Das Problem
Interne Wissensassistenten scheitern an Trust Reviews, wenn Dokumente öffentlich sind, Zugriffsgrenzen nur implizit bestehen oder vollständige Dateien an ein Modell gesendet werden. Selbst eine hilfreiche Antwort bleibt riskant, wenn ihr Beleg und die Nutzertrennung nicht nachvollziehbar sind.
Die Architekturentscheidung
FileGPT behandelt Retrieval und Autorisierung als Produktgrenze. Dateien bleiben in einem privaten Bucket, Datensätze werden durch Supabase RLS geschützt und die SQL-Retrieval-Funktion begrenzt Treffer auf den authentifizierten Nutzer. Nur die abgerufenen Top-k-Chunks gelangen in die Generierung; die Antwort zeigt Dokument- und Seitenquellen.
Privater Wissensfluss
Privat erfassen
Authentifizierte Uploads landen im privaten Storage und in einem Dokumentdatensatz mit Lifecycle-Status.
Extrahieren und indexieren
PDF-, DOCX- und Textinhalte werden gechunked, mit Gemini eingebettet und inklusive Quellenmetadaten in pgvector gespeichert.
Begrenzt abrufen
Eine Nutzerfrage wird eingebettet und ausschließlich gegen autorisierte Dokument-Chunks abgeglichen.
Mit Evidenz generieren
Gemini erhält den eng begrenzten Kontext und streamt eine Antwort mit sichtbaren Quellen-Badges.
Was der Codebestand belegt
Mandanten- und Dateitrennung
Supabase Auth, RLS und ein nicht öffentlicher Storage-Bucket schützen Dokumente, Chunks, Chats und Usage-Daten. Signierte URLs und Serverrouten verhindern direkten öffentlichen Speicherzugriff.
Grounded-RAG-Pipeline
Ingestion, Indexing, Retrieval und Generation sind getrennte Servermodule. Query Condensation bewahrt Follow-up-Kontext, während Quellen die Antwort an das Ausgangsdokument binden.
Fail-closed-Produktionskontrollen
Die Produktion kann fehlende Konfiguration für verteiltes Rate Limiting ablehnen. Upstash schützt Endpunkte und authentifizierte Readiness-Diagnostik vermeidet öffentliche Dependency-Details.
Betriebsfähigkeit
Health- und Readiness-Routen, strukturierte Pino-Logs, OpenTelemetry, Migration Checks, Smoke Tests und Runbooks machen das System über die Demo-UI hinaus diagnostizierbar.
Zuverlässigkeitsgrenzen
Das Modell erhält abgerufene Chunks statt vollständiger privater Dokumente.
RLS und nutzergebundenes SQL-Retrieval begrenzen Storage und semantische Suche.
Quellen-Badges verbinden Antworten mit Ursprungsdatei und verfügbarer Seitenangabe.
Runtime-Konfiguration und verteiltes Rate Limiting können in Produktion fail-closed arbeiten.
Was diese Implementierung bedeutet
Der aktuelle Codebestand ist eine private mandantenfähige Cloud-Referenzimplementierung mit Supabase und Gemini. Er zeigt Sicherheits- und Retrieval-Grenzen für souveräne Deployments, beweist aber nicht, dass jede spätere Kundeninstallation physisch On-Premise oder air-gapped ist.
Warum FileGPT in die Top vier gehört
FileGPT ist der klarste Ausdruck der Sovereign-AI-Positionierung im Portfolio. Es verbindet nützlichen Dokumentenchat mit der weniger sichtbaren Arbeit, die RAG glaubwürdig macht: privater Speicher, autorisierungsgebundenes Retrieval, Quellen, Missbrauchsschutz, Readiness-Diagnostik und Betriebsdokumentation.