Integration und Bereitstellung

Vier Zugangswegs – einer passt zu Ihnen

Von einer einzigen Befehlszeile bis zur tiefen Integration – frei wählbar nach dem Tech-Stack Ihres Teams

Kommandozeilen-CLI

Geeignet für: Stapelverarbeitung durch den Betrieb

Vorverarbeitung, Chunking und Evaluierung mit einem einzigen Befehl. Unterstützung für Verzeichnis-Batches und Wiederaufnahme nach Abbruch, skriptbasierte Anbindung an bestehende Datenverarbeitungsworkflows.

HTTP API

Geeignet für: Backend-Integration von Anwendungen

RESTful-Schnittstellen decken Vorverarbeitung, Wissensdatenbank-Aufbau und Evaluierung im gesamten Ablauf ab, mit synchronem/asynchronem Betrieb, Block-Upload und SSE-Fortschritts-Push.

C-Dynamic-Link-Library-SDK

Geeignet für: tiefe Integration in C/C++/Java

Plattformübergreifende .so/.dylib/.dll + C-Header-Dateien, vorkompilierte Artefakte für mehrere Plattformen, direkt in Ihren Dienstprozess einbettbar, ohne Netzwerk-Overhead.

Python / LangChain

Geeignet für: KI-Anwendungs- und Datenteams

Abhängigkeitsfreies Python-SDK + LangChain-Connector – mit drei Zeilen Code die Unternehmens-Wissensdatenbank in eine Document-Liste laden, Metadaten werden transparent durchgereicht.

Wie einfach ist das? Sehen Sie den Code

Von der „Datei“ zur „Wissensdatenbank“ – kürzer als Sie denken

Weg 1: Vorverarbeitung per Kommandozeile (Extraktion → Bereinigung → Anonymisierung → Komprimierung, ein Befehl)

# Dokumenten-Vorverarbeitung uglypearai preprocess --input contract.docx --output-dir out/ --clean --desensitize --compress # Wissensdatenbank-Aufbau (durchgängiges Ingest, mit Wiederaufnahme nach Abbruch) uglypearai chunk --mode ingest --input report.pdf --storage-dir ./rag_store --preset legal # Evaluierung einmal durchlaufen lassen uglypearai eval run --evalset my_set --report out/report.json

Weg 2: Python + LangChain (am handlichsten für KI-Teams)

from uglypear_rag import UglyPearRAG from uglypear_rag.integrations.langchain_loader import UglyPearLoader client = UglyPearRAG("http://intranet-host:8080", api_key="sk-uglypear-***") loader = UglyPearLoader(client, user_tags=["dept:legal"]) docs = loader.load() # -> [Document], Metadaten wie chunk_id/Version/Berechtigungstags werden automatisch durchgereicht

Weg 3: HTTP-API (aus jeder Programmiersprache aufrufbar)

POST /v1/rag/preprocess # Dokument → strukturiertes JSON + anonymisierte Kopie POST /v1/rag/ingest # Durchgängige Aufnahme: Chunking → Anreicherung → Berechtigungen → Speicherung GET /v1/rag/documents # Dokumenten- und Wissenspunkt-Abfragen, erneute Aufnahme PATCH /v1/rag/.../validity # Aktualitätsgovernance: als veraltet/gültig markieren POST /v1/rag/eval/run # Evaluierung auslösen, quantifizierten Bericht erstellen POST /v1/rag/feedback # Attributierung nach Abwertung, Badcase-Rückfluss

Bereitstellung: von Docker bis zum chinesischen Technologie-Stack-Rechenzentrum

Standardumgebung mit einem Klick starten, Sonderumgebungen Punkt für Punkt angepasst

Standardbereitstellung (Docker)

# Dienst starten (mit Komprimierung + gesamter RAG-Kette) docker compose up -d # oder Bare-Metal-Betrieb RAG_STORAGE_DIR=/data/rag_store PORT=8080 ./uglypear-server

OCR-/Layoutanalyse-Modelle (ONNX) werden mit dem Paket ausgeliefert und lokal inferiert; die LLM-Zusammenfassung-Anreicherung kann an beliebige OpenAI-kompatible Endpunkte im Intranet angebunden werden (optional). Funktionsmodule sind nach Feature beschneidbar: nur Komprimierung, nur Vorverarbeitung oder die gesamte Kette – je nach Bedarf.

Chinesische Technologie-Stack-Umgebung

Unterstützung für die Betriebssysteme Kylin/UOS, die CPUs Phytium/Kunpeng (arm64-Artefakte vollständig) und die Datenbanken DM/Kingbase; vollständig offline installierbar. Bereits in mehreren Projekten mit chinesischem Technologie-Stack validiert, Details unterKompatibilitätslösung für den chinesischen Technologie-Stack。

Anbindung an Ihren KI-Tech-Stack

Die Basis gibt standardisiertes strukturiertes JSON und Wissenspunkte mit Metadaten aus, anbindbar an:

Milvus Qdrant PGVector Elasticsearch LangChain LlamaIndex Dify Beliebige selbst entwickelte RAG-Systeme

Auf SDK-Ebene wird zusätzlich eine FFI-Dynamic-Link-Library bereitgestellt (libcompressor.so + sdk.h); direkt einbettbar in C/C++/Java/Go. Details unterRust-Komprimierungs-SDKundEntwicklerzentrum。

Von null bis zum Betrieb in fünf Schritten

Meist in „Tagen“ statt in „Monaten“ gerechnet

Umgebungsvorbereitung

Bereitstellung einer Server-Spezifikationsliste, Lieferung als Docker-Image oder Offline-Installationspaket

Wahl des Zugangswegs

CLI / API / SDK nach dem Tech-Stack des Teams gewählt, erster Testrequest innerhalb eines halben Tages

Pilotdokumente durchlaufen

Eine Charge echter Dokumente durchgängig in die Datenbank aufnehmen, Parsing-Qualitätsprüfung und Bereinigungsbericht erstellen

Strategiefeinjustierung

Chunking-Presets nach Dokumenttyp wählen, gemeinsam mit Ihnen ein branchenspezifischer Evaluierungssatz

Regulärer Betrieb

Anbindung an Vektordatenbanken und Geschäftssysteme, kontinuierliche Überwachung über das Evaluierungs-Dashboard