RAG über SAP-Dokumente mit dem Generative AI Hub und Document Grounding
Stand 2026-09-25
Geht eine gemanagte Retrieval-Augmented-Generation-Pipeline vollständig durch, für einen Shared-Service-Center-Assistenten, der seine Quellen zitieren muss: Erstellen einer Document-Grounding-Pipeline über ein unterstütztes Repository (SharePoint, S3, SFTP, SAP Build Work Zone, SAP Document Management, ServiceNow, Google Drive oder help.sap.com über Elastic Search), Aufruf aus der Orchestrierung über eines der beiden Cloud-SDKs (PipelineAPIClient, GroundingModule/DocumentGroundingFilter/GroundingFilterSearch in Python; die entsprechende searchConfiguration in JavaScript), Abstimmen von max_chunk_count und dataRepositories als Recall-/Präzisions-/Governance-Zielkonflikt, Maskieren des Grounding-Inputs mit MaskingMethod.ANONYMIZATION und Entitätstypen wie ProfileEntity.SAP_IDS_INTERNAL, und Durchführen einer Belegtheits-Evaluation, die Retrieval- von Generierungsfehlschlägen trennt. Schließt damit, wie dieselbe Pipeline über einen MCP-Server aus M351 zum Tool wird, das ein Agent aus M350 aufrufen kann.
Was Sie lernen
- Entscheiden, wann eine gemanagte Grounding-Pipeline gegenüber von Hand gebautem HANA-Cloud-SQL-Retrieval (M330) 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
Für wen dieses Modul gedacht ist. M325 hat den gesamten Generative AI Hub durchquert — Orchestrierung, Grounding, Maskierung, Filterung. M330 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 M330 „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.
1. Das Szenario: ein Service Desk, der seine Quellen zitieren muss
Nehmen Sie den Fall, den M333 als den klassischen RAG-Anwendungsfall nennt: Ein Finance-Shared-Service-Center braucht einen Assistenten, der Fragen zu Beschaffungsrichtlinien und Monatsabschluss aus einigen hundert Seiten interner, vierteljährlich überarbeiteter Dokumentation beantwortet, wobei jede Antwort bis zu einem echten Absatz zurückverfolgbar sein muss. Das ist ein Problem zitierbaren Wissens, kein Problem sich nie ändernder Fakten — womit M333 bereits Fine-Tuning ausgeschlossen hat. Alles Folgende baut genau diesen einen Assistenten.
Voraussetzungen
- M325 — SAP Generative AI Hub in der Praxis: Orchestrierung, Grounding, Maskierung, Filterung
- M333 — KI- und LLM-Grundlagen für SAP-Berater (RAG, Halluzination, Evaluation)
- Sicherheit in Python oder JavaScript und im Lesen von SDK-Referenzdokumentation
- Empfohlen parallel zu M330 (selbst gebautes Retrieval in HANA Cloud) zum Vergleich, sowie zu M350/M351, 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.
Vollständiges Modul für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.