RAG über SAP-Dokumente mit dem Generative AI Hub und Document Grounding

Was Sie lernen

• Entscheiden, wann eine gemanagte Grounding-Pipeline gegenüber von Hand gebautem HANA-Cloud-SQL-Retrieval die richtige Wahl ist, und eine für einen echten Dokumentenbestand bauen
• Die unterstützten Document-Grounding-Datenrepositories und die eine unterstützte Website-Quelle nennen
• Das Grounding-Modul aus der Orchestrierung in Python (PipelineAPIClient, GroundingModule, DocumentGroundingFilter, GroundingFilterSearch) oder JavaScript (@sap-ai-sdk/document-grounding) aufrufen und dessen Antwort über die Vorlagenvariable {{?grounding_response}} einfügen
• max_chunk_count und dataRepositories bewusst abstimmen, im Zielkonflikt zwischen Recall, Präzision und Governance-Umfang
• mask_grounding_input mit MaskingMethod.ANONYMIZATION und relevanten Entitätstypen (einschließlich ProfileEntity.SAP_IDS_INTERNAL) für interne SAP-Dokumentation konfigurieren
• Eine Belegtheits-Evaluation bauen, die einen Retrieval-Fehlschlag von einem Generierungsfehlschlag trennt

Modulüberblick

Für wen dieses Modul gedacht ist. „SAP Generative AI Hub — Praxis: Orchestrierung, Grounding, Maskierung, Filterung“ hat den gesamten Generative AI Hub durchquert — Orchestrierung, Grounding, Maskierung, Filterung. „Vector Engine und Knowledge Graph Engine von HANA Cloud für RAG“ hat gezeigt, wie man Retrieval selbst in HANA-Cloud-SQL baut. Dieses Modul tut weder das eine noch das andere: Es nimmt den gemanagten Grounding-Weg und geht ihn einmal vollständig durch, für ein reales Szenario — einen Assistenten für ein Shared-Service-Center, der aus interner SAP-Prozessdokumentation antwortet und seine Quellen zitiert. Wenn „Vector Engine und Knowledge Graph Engine von HANA Cloud für RAG“ „Retrieval bauen“ ist, ist dies „die Pipeline konfigurieren, die SAP bereits für Sie gebaut hat“ — und zu wissen, wann welches die richtige Wahl ist, ist selbst Teil des Moduls.

Quelle: SAP-docs — Using the grounding module.

Voraussetzungen

• SAP Generative AI Hub in der Praxis: Orchestrierung, Grounding, Maskierung, Filterung
• KI- und LLM-Grundlagen für SAP-Berater (RAG, Halluzination, Evaluation)
• Sicherheit in Python oder JavaScript und im Lesen von SDK-Referenzdokumentation
• Empfohlen parallel zu selbst gebautes Retrieval in HANA Cloud zum Vergleich, sowie zu „Einen Analytics-Agenten mit Joule Studio bauen“ und „Ein MCP-Server über Datasphere und HANA — praktisch umgesetzt“, falls diese Pipeline auch einen Agenten bedienen soll

Lernergebnisse

• Eine funktionierende Grounding-Pipeline über ein echtes Dokumentenrepository aufsetzen und darüber via Orchestrierung abrufen.
• Eine max_chunk_count- und dataRepositories-Konfiguration anhand eines schriftlichen Recall-/Präzisions-/Governance-Zielkonflikts begründen.
• Maskierung auf Grounding-Input mit benannten Entitätstypen konfigurieren, passend zum tatsächlichen Dokumentenbestand.
• Eine Belegtheits-Evaluation durchführen, die diagnostiziert, ob eine schlechte Antwort vom Retrieval oder von der Generierung kam.