Angenommen, ein Kunde besucht die Website eines Herstellers und sucht ein Edelstahlgehäuse, das höchstens 600 mm breit ist. Die Informationen sind vorhanden, aber sie verteilen sich auf Produktseiten, Spezifikationstabellen und Installationsanleitungen. Ein Drupal-Chatbot, der auf Ihren bestehenden Inhalten aufbaut, kann diesem Kunden helfen, passende Modelle zu finden und die Unterschiede zu verstehen, ohne jede Seite einzeln zu öffnen.
Genau darum geht es: Ihre vorhandenen Inhalte sollen praktische Fragen beantworten und Besucher zu einem sinnvollen nächsten Schritt führen. Ein Warenkorb ist dafür nicht nötig. Für einen Hersteller kann das Ziel eine Produktseite, ein Händlerverzeichnis oder ein Gespräch mit dem Vertrieb sein.
Die strukturierten Felder in Drupal liefern dem Assistenten Fakten, die er abrufen und vergleichen kann. Damit daraus verlässliche Antworten werden, braucht es zusätzliche Arbeit: Regeln für den Abruf, Quellenprüfungen, eine Oberfläche auf der Website und Tests, die echte Kundenfragen abbilden.
In diesem Artikel:
- Was können Kunden einen Drupal-basierten Produkt-Chatbot fragen?
- Welche Drupal-Daten sollte der Assistent nutzen?
- Wie wird aus einer Frage eine belegte Antwort?
- Wie erstellt der Chatbot Produktlisten und Vergleiche?
- Wie wird die Chat-Oberfläche mit der Website verbunden?
- Wie bleiben Antworten aktuell und vertrauenswürdig?
- Was zeigt die Umsetzung für ProjektMagazin?
Was können Kunden einen Drupal-basierten Produkt-Chatbot fragen?
Beginnen Sie mit den Fragen, die Kunden heute schon an Ihren Vertrieb und Support richten. Meist wollen sie etwas finden, ein Detail bestätigen oder einen Unterschied verstehen.
Für unseren fiktiven Hersteller sind etwa diese Fragen nützlich:
- „Welche Modelle sind höchstens 600 mm breit?“
- „Worin unterscheiden sich diese beiden Modelle?“
- „Gibt es dieses Gehäuse auch aus Edelstahl?“
- „Wo finde ich die Installationsanleitung?“
Eine hilfreiche Antwort gibt eine direkte Auskunft, nennt die relevanten Produkte und Spezifikationen und verlinkt auf die Quellseiten. So können Kunden die Details selbst prüfen oder eine Produktseite an Kollegen weitergeben.
Manche Fragen brauchen eine Rückfrage. Wenn jemand ein Gehäuse „für den Außeneinsatz“ sucht, muss der Assistent womöglich nach der Umgebung oder der geforderten Schutzart fragen. Er kann eine dokumentierte Schutzart nennen; ob das Gehäuse darüber hinaus geeignet ist, erfordert eine eigene Bewertung.
Die Aufgabe des Assistenten ist es, dokumentierte Informationen leichter nutzbar zu machen. Wenn die verfügbaren Fakten keine Empfehlung stützen, hilft dem Kunden eine Rückfrage oder der Weg zum technischen Vertrieb mehr als eine selbstbewusste Vermutung.
Welche Drupal-Daten sollte der Assistent nutzen?
Klare Produktdaten verringern Mehrdeutigkeit, bevor das Sprachmodell überhaupt eine Antwort formuliert.
Für diesen vorgeschlagenen Katalog-Assistenten würden die Quelldaten Folgendes enthalten:
| Daten | Wie der Assistent sie nutzen würde |
|---|---|
| Stabile Produktkennungen und Namen | Das richtige Produkt über Seiten, Dokumente und Folgefragen hinweg erkennen |
| Beschreibungen und Taxonomie der Produktfamilien | Relevante Kategorien finden und den vorgesehenen Einsatz erklären |
| Typisierte Spezifikationen mit Einheiten | Zahlengrenzen anwenden und Merkmale vergleichen |
| Beziehungen zwischen Varianten | Maße, Materialien und Schutzarten jeder Variante zusammenhalten |
| Zugehörige Dokumente | Die Anleitung oder das Datenblatt zum gewählten Produkt finden |
| Kanonische Seiten-URLs | Besucher auf die passenden Seiten der Website leiten |
Eine Breite, die in einem PDF versteckt ist, lässt sich schwerer zuverlässig nutzen als ein ausdrückliches numerisches Breitenfeld mit bekannter Einheit. Das PDF kann weiterhin nützliche Erklärungen liefern, während das Feld einen exakten Filter ermöglicht.
Beziehungen sind genauso wichtig. Wenn eine Variante aus Edelstahl ist und eine andere 580 mm breit, darf der Assistent diese Fakten nicht zu einem Produkt kombinieren, das es gar nicht gibt.
Halten Sie das Datenmodell diszipliniert. Vereinheitlichen Sie Einheiten, verwenden Sie kontrollierte Begriffe für Materialien und Produktfamilien und unterscheiden Sie fehlende Spezifikationen von bestätigten Werten. Strukturierte Felder machen Fakten verfügbar; sie machen eine Antwort nicht automatisch richtig.
Mehr zur Modellierung solcher Produktdatensätze lesen Sie in Ein Drupal-Produktkatalog ohne Commerce: Daten zuerst und Drupal Content Modeling für Answer Coverage: Felder statt Fließtext.
Wie wird aus einer Frage eine belegte Antwort?
Retrieval-Augmented Generation, kurz RAG, bedeutet: Zuerst werden relevante Quellinformationen gesucht, erst dann formuliert ein Sprachmodell die Antwort. Statt sich auf das allgemeine Wissen des Modells zu verlassen, erhält der Assistent Belege aus Ihren freigegebenen Inhalten.
Für den fiktiven Hersteller könnte ein vorgeschlagener Ablauf so aussehen:
- Die Frage interpretieren. Produktfamilie, gewünschte Merkmale, Zahlengrenzen und mögliche Mehrdeutigkeiten erkennen.
- Freigegebene Daten abrufen. Erklärende Inhalte durchsuchen und strukturierte Produktmerkmale abfragen.
- Die Quellen prüfen. Bestätigen, dass die Belege zu den richtigen Produkten, Varianten und zur richtigen Sprache gehören.
- Die Antwort formulieren. Die Treffer anhand der abgerufenen Fakten erklären.
- Die Antwort prüfen. Sicherstellen, dass Aussagen und Links aus diesen Fakten folgen.
Eine mögliche Umsetzung nutzt Drupal-APIs, einen Backend-Dienst für den Abruf und einen Index, der Text zusammen mit strukturierten Metadaten speichert. Die JSON:API-Dokumentation von Drupal beschreibt die entitätsbasierte API-Grundlage. Das Projekt muss trotzdem Zugriffe konfigurieren, Felder und Beziehungen auswählen und das Indexieren und Abrufen selbst aufbauen.
Unterschiedliche Fragen brauchen unterschiedliche Abrufmethoden. Die semantische Suche hilft, einen Abschnitt über Einbauabstände zu finden. Eine maximale Breite von 600 mm gehört in einen numerischen Filter. Eine exakte Produktkennung braucht eine exakte Abfrage.
Bei Informationen, die sich schneller ändern, als ein Index zuverlässig aktualisiert werden kann, würde das Backend vor der Antwort die maßgebliche Quelle abfragen.
Ein Beispieldialog
Das folgende Beispiel verwendet fiktive Produktbezeichnungen und Spezifikationen:
Kunde: Welche Edelstahlgehäuse sind höchstens 600 mm breit?
Assistent: Zwei Optionen in dieser Auswahl erfüllen die Kriterien: Modell A ist 550 mm breit, Modell B 600 mm. Bei beiden ist Edelstahl als Material angegeben. Haben Sie eine maximale Tiefe oder eine geforderte Schutzart?
Die Oberfläche würde jedem Modell den passenden Link zur Produktseite hinzufügen. Sie würde die Treffer als Auswahl bezeichnen, solange keine vollständige gefilterte Abfrage belegt, dass es alle passenden Produkte sind.
Dieser Ansatz trennt zwei Aufgaben: Der Abruf stellt die Fakten fest, das Modell erklärt sie.
Wie erstellt der Chatbot Produktlisten und Vergleiche?
Eine brauchbare Auswahl erspart Kunden das wiederholte Setzen von Filtern und Öffnen von Seiten. Dafür muss der Assistent die Anfrage in ausdrückliche Bedingungen übersetzen.
Die Anfrage „Zeigen Sie mir Wandgehäuse aus Edelstahl bis 600 mm Breite“ enthält zum Beispiel drei Bedingungen:
- Produktfamilie: Wandgehäuse.
- Material: Edelstahl.
- Breite: kleiner oder gleich 600 mm.
Der Abrufdienst würde diese Bedingungen auf vereinheitlichte Felder anwenden. Der Assistent könnte dann die passenden Produkte zusammenfassen und nach weiteren Auswahlkriterien fragen.
Eine Vergleichsansicht macht die Belege leichter erfassbar. Mit fiktiven Daten könnte sie so aussehen:
| Produkt | Material | Breite | Tiefe | Quell-Link in der Oberfläche |
|---|---|---|---|---|
| Modell A | Edelstahl | 550 mm | 250 mm | Produktseite Modell A |
| Modell B | Edelstahl | 600 mm | Unbekannt | Produktseite Modell B |
„Unbekannt“ ist eine nützliche Information. Sie zeigt dem Kunden, wo der Vergleich endet. Der Assistent kann die Dokumentation anbieten oder vorschlagen, das fehlende Maß beim Vertrieb zu bestätigen.
Eine Auswahl und eine vollständige Ergebnisliste sind unterschiedliche Versprechen. Die semantische Suche liefert oft nur eine begrenzte Menge relevanter Treffer. Um „alle passenden Produkte“ zu versprechen, braucht das System eine vollständige strukturierte Abfrage, einschließlich Paginierung und einheitlicher Behandlung fehlender Werte.
Auch die Reihenfolge braucht eine klare Grundlage. Wenn die Ergebnisse vom schmalsten zum breitesten Modell sortiert sind, sagen Sie das. Fehlt eine geforderte Spezifikation, behandeln Sie das Produkt nicht stillschweigend als bestätigten Treffer. Etwas als „beste“ Wahl zu bezeichnen, erfordert Kundenkriterien und Belege, die dieses Urteil stützen.
Wie wird die Chat-Oberfläche mit der Website verbunden?
Kunden brauchen einen bequemen Ort für ihre Frage. In dieser vorgeschlagenen Umsetzung kann das ein Chat-Widget auf den Katalogseiten oder eine eigene Assistentenseite im Drupal-Frontend sein.
Der Browser würde Fragen an einen Backend-Dienst senden. Dieser Dienst übernimmt den Abruf, die Modellanfragen, die Berechtigungsprüfungen und die Aufbereitung der Antwort. API-Zugangsdaten und privilegierter Zugriff auf die Quellen bleiben im Backend.
Das Frontend würde mehr leisten, als Absätze anzuzeigen. Nützlich sind anklickbare Produktkarten, Quell-Links, vorgeschlagene Folgefragen und ein klarer Weg zum menschlichen Support. Auch Lade- und Fehlerzustände zählen: Besucher müssen wissen, ob der Assistent noch sucht oder die Anfrage nicht abschließen konnte.
Barrierefreiheit gehört in den ersten Projektumfang. Planen Sie Tastaturbedienung, klares Fokusverhalten, beschriftete Bedienelemente und den Zugriff von Screenreadern auf neue Antworten ein. Prüfen Sie auf Mobilgeräten, dass das Widget keine Spezifikationen verdeckt und Produktlinks gut antippbar bleiben.
Behalten Sie die gewohnte Navigation bei. Der Assistent kann Katalogübersichten, Filter und die Seitensuche ergänzen, sodass Kunden den Weg wählen, der für sie passt. Ein Commerce-System ist keine Voraussetzung.
Wie bleiben Antworten aktuell und vertrauenswürdig?
Vertrauen entscheidet sich nach dem Launch. Redakteure korrigieren Spezifikationen, Produkte ändern sich und Dokumente verschwinden. Der Assistent muss diesen Änderungen folgen, ohne dass Besucher raten müssen, welche Version sie gerade lesen.
Aktualität an der Redaktionsarbeit ausrichten
Legen Sie ein messbares Ziel fest, wie schnell veröffentlichte Änderungen für den Assistenten verfügbar werden, und überwachen Sie es. Das passende Intervall hängt vom Inhalt und vom Risiko einer veralteten Antwort ab.
Ein Installationshinweis braucht unter Umständen eine strengere Behandlung als eine überarbeitete Produkteinleitung. Wo verzögerte Informationen nicht akzeptabel wären, fragen Sie die maßgebliche Quelle direkt ab oder halten Sie die betroffene Antwort vorübergehend zurück.
Der Umsetzungsplan muss den gesamten Lebenszyklus der Inhalte abdecken:
- Veröffentlichen und Aktualisieren von Inhalten.
- Depublizieren und Löschen von Inhalten.
- Wiederholen fehlgeschlagener Indexierungsjobs und Benachrichtigen des Teams.
- Invalidieren betroffener Abruf- und Antwort-Caches.
- Erkennen veralteter Datensätze und Abgleich des Index mit Drupal.
Auch Redakteure brauchen Transparenz. Eine fehlgeschlagene Synchronisation sollte nicht verborgen bleiben, bis ein Kunde eine alte Spezifikation meldet.
Einen möglichen Ansatz beschreiben wir in Echtzeit-Datensynchronisation für RAG: Wie Sie das Wissen Ihres KI-Chatbots aktuell halten. Wenn Sie Antworten cachen, behandelt So beschleunigen Sie die Reaktionen des AI-Chatbots mit intelligentem Caching die Seite der Invalidierung.
Belege vor und nach der Generierung prüfen
Zwei Prüfungen erkennen unterschiedliche Probleme.
Erstens kann eine Relevanzprüfung der Quellen abgerufene Abschnitte verwerfen, die das falsche Produkt, die falsche Variante, Sprache oder das falsche Thema betreffen. Zweitens kann eine Belegprüfung der Antwort Aussagen markieren, die die verbliebenen Quellen nicht stützen, darunter falsche Zahlen und nicht passende Links.
Diese Prüfungen brauchen eigene Tests. Ein bewertendes Modell kann Fehler machen, deshalb sollten Sie, wo möglich, deterministisch validieren, besonders bei Kennungen, Zahlengrenzen und URLs.
Ein Praxisbeispiel für die Bewertung von Quellen finden Sie in Wie wir die Genauigkeit des RAG-Chatbots durch Dokumentenbewertung um 40% verbessert haben.
Auch die Größe der Textabschnitte (Chunks) verdient hier Aufmerksamkeit. Ein sehr kleiner Abschnitt kann eine Spezifikation von ihrem Variantennamen trennen. Ein großer Abschnitt kann mehrere Produkte mischen und irrelevante Fakten einbringen. Testen Sie Abschnitte, die sinnvolle Passagen zusammenhalten, Produktmetadaten mitführen und Beziehungen bewahren, statt die Größe aus Gewohnheit zu wählen.
Zugriff schützen und Aktionen begrenzen
Setzen Sie die Berechtigungen des Besuchers beim Abruf und vor der Auslieferung der Antwort durch. Auch Cache-Einträge brauchen passende Zugriffsgrenzen, damit die Antwort für einen Besucher keinem anderen eingeschränkte Informationen preisgibt.
Behandeln Sie abgerufenen Text als Beleg, nicht als Anweisung. Ein Satz in einem indexierten Dokument darf keinen Tool-Aufruf auslösen und keine Zugriffsregeln des Assistenten ändern.
Für diesen Katalog-Anwendungsfall sollte der Assistent nur lesen. Künftige Aktionen, etwa das Absenden einer Anfrage, bräuchten eigens gestaltete Berechtigungen, Validierung und eine Bestätigung durch den Nutzer.
Die Fragen messen, die Kunden tatsächlich stellen
Erstellen Sie vor dem Rollout einen Testsatz. Nehmen Sie gewöhnliche Anfragen und schwierige Fälle auf:
- Ähnliche Produktnamen und eng verwandte Varianten.
- Zahlengrenzen und Umrechnung von Einheiten.
- Fehlende oder widersprüchliche Spezifikationen.
- Anfragen nach allen passenden Produkten.
- Fragen, die die Quellen nicht beantworten können.
- Zurückgezogene Dokumente und defekte Links.
- Versuche, eingeschränkte Inhalte abzurufen.
Messen Sie sachliche Richtigkeit, Einhaltung der Bedingungen, Genauigkeit der Quell-Links, Antwortzeit und ob der Assistent unzureichende Belege offen benennt.
Um zu verstehen, was wirkt, vergleichen Sie Abrufkonfigurationen bei gleichem Modell und gleichen Testfragen. Testen Sie die Indexierung von Fließtext gegen die Indexierung mit strukturierten Metadaten und bewerten Sie dann den Effekt der Quellen- und Antwortprüfungen. So sehen Sie, ob Verbesserungen aus dem Inhalts- und Abrufdesign stammen und nicht aus einem Modellwechsel.
Was zeigt die Umsetzung für ProjektMagazin?
Der KI-Dokumenten-Chatbot für ProjektMagazin.de von Droptica zeigt das allgemeine Muster eines Assistenten, der aus Drupal gespeist wird und kontextbezogene Quellen sowie eine Website-Oberfläche hat. Die Fallstudie beschreibt eine Wissensplattform für Projektmanagement mit JSON-APIs für die Indexierung, Metadaten wie Taxonomie und Autorinformationen, Relevanzbewertung, Synchronisation der Inhalte und einer eigenen Chat-Oberfläche, die in Drupal integriert ist. Der hier beschriebene Katalog-Assistent für einen Hersteller ist eine vorgeschlagene Anwendung dieses Musters; die Fallstudie betrifft einen anderen Inhaltsanwendungsfall.
Bereit für den Start?
Beginnen Sie mit einer Produktfamilie und den Fragen, die Kunden am häufigsten stellen. So können Sie überschaubar testen, ob der Assistent die richtigen Fakten findet, sie klar erklärt und Besucher auf nützliche Seiten führt.
Bringen Sie Ihr Drupal-Produktmodell und eine Auswahl dieser Fragen in ein Gespräch mit Droptica mit. Gemeinsam definieren wir einen Pilot mit Abruf, verlässlichen Quell-Links, Frontend-Interaktion und gemessener Antwortgenauigkeit. So haben Sie Belege für den nächsten Schritt, bevor Sie den Assistenten auf den gesamten Katalog ausweiten. Mehr über unseren Drupal-KI-Chatbot-Service.
