Ein KI-Tutor ist nur so gut wie die Stellen, die er in den Unterlagen findet. Tarsus zerlegt jede Frage in Teilfragen, sucht nach Bedeutung statt nach gleichen Wörtern, bewertet die Treffer ein zweites Mal und holt benachbarte Abschnitte dazu, damit kein Zusammenhang verloren geht.
Die Beispielfrage
Im Film fragt eine Lernende: „Ab welcher Stückzahl macht das Unternehmen Gewinn, und welche Rolle spielen dabei die Fixkosten?“ Die Antwort steht nicht an einer einzigen Stelle. Sie verteilt sich auf mehrere Abschnitte der Kursunterlagen.
Schritt 1: Zerlegen
Ein sehr kleines Sprachmodell teilt die Frage in Teilfragen: „Ab welcher Stückzahl entsteht Gewinn?“, „Was sind Fixkosten?“ und „Wie beeinflussen die Fixkosten den Break-even?“. Jede Teilfrage lässt sich gezielter suchen als die lange Originalfrage.
Schritt 2: Einbetten
Die Originalfrage und die Teilfragen werden in Vektoren übersetzt, also in Zahlenreihen, die die Bedeutung eines Textes abbilden. Das Embedding-Modell dafür betreibt Tarsus selbst.
Schritt 3: Suchen
Ein Orchestrator schickt jede Frage an die Vektordatenbank. Sie liefert die Textstellen, deren Vektoren am nächsten liegen, also Stellen mit ähnlicher Bedeutung, auch wenn dort andere Wörter stehen. Für jede Frage kommen die nächsten Treffer zurück. Tarsus nennt diese Textstücke Bits.
Schritt 4: Re-Ranking
Nähe im Vektorraum ist ein grober Filter. Deshalb bewertet ein zweites Modell, der Re-Ranker, jeden gefundenen Bit noch einmal: Wie gut passt er wirklich zur Frage? Im Beispiel landen „Break-even bei ca. 500 Stück“ und „Fixkosten: Definition“ oben. „Das Unternehmen gewinnt neue Kunden“ fällt heraus, obwohl das Wort „Unternehmen“ passt. Auch der Re-Ranker läuft auf eigener Infrastruktur.
Bis hierhin ist das die klassische Pipeline aus Retrieval und Re-Ranking, wie sie viele Systeme mit Retrieval Augmented Generation (RAG) nutzen. Die Grundlagen erklärt der Beitrag RAG und Vektordatenbank einfach erklärt.
Schritt 5: Nachbarn holen
Ein gefundener Abschnitt sagt allein oft zu wenig. Im Beispiel steht im Treffer nur: „Ab dieser Menge entsteht Gewinn.“ Welche Menge gemeint ist, steht im Satz davor: „Laut Abb. 3 liegt der Break-even bei ca. 500 Stück.“ Tarsus holt deshalb die benachbarten Abschnitte dazu. Passt ein Nachbar nicht zum Thema, wie hier der Anfang von Kapitel 4 „Marketing und Vertrieb“, wird er wieder aussortiert.
So geht keine Information verloren, die nur im Zusammenhang verständlich ist.
Was danach passiert
Am Ende stehen gefundene, gefilterte und angereicherte Bits. Wie daraus der Kontext für das Sprachmodell entsteht, zeigt der Film Kontext mit System: Context Engineering für einen KI-Tutor.
Warum die Suche für adaptives Lernen zählt
Ein adaptives Lernsystem soll Erklärungen, Beispiele und Fragen passend zum Lernstand liefern. Das gelingt nur, wenn es die richtige Stelle in den Kursunterlagen findet. Die Suche ist damit das Fundament des Wissensmodells. Wie Wissensmodell, Lernermodell und Didaktik zusammenspielen, erklärt der Leitfaden Adaptives Lernen: Definition, Beispiele und wie KI es umsetzt.
Häufige Fragen
Was ist semantische Suche?
Semantische Suche findet Texte nach ihrer Bedeutung statt nach gleichen Wörtern. Frage und Texte werden dafür als Vektoren dargestellt. Ähnliche Bedeutungen liegen nah beieinander.
Was macht ein Re-Ranker?
Ein Re-Ranker prüft die Treffer einer ersten, schnellen Suche noch einmal genauer und sortiert sie danach, wie gut sie tatsächlich zur Frage passen.
Warum zerlegt Tarsus Fragen in Teilfragen?
Lange Fragen enthalten oft mehrere Anliegen. Jede Teilfrage trifft die Stelle, an der ein Aspekt erklärt wird. Zusammen decken die Treffer die ganze Frage ab.
Sucht der KI-Tutor auch im Internet?
Nein. Der KI-Lerncoach von Tarsus greift nicht auf das Internet zu. Er arbeitet mit den Unterlagen, die Ihre Organisation bereitstellt.





