Agentische Assistenten & RAG
Assistenten, die mehr können als Chatten mit euren Dokumenten.
„Chat über eure Dokumente" ist der Anfang, nicht das Ziel. Ein echter agentischer Assistent nimmt multimodale Eingaben entgegen, prüft seine Ergebnisse, arbeitet im Hintergrund weiter und ruft Wissen gezielt ab. Formelfuchs, der Mathe-Tutor von TutorMind, zeigt, wie das in der Praxis aussieht.
Warum reines RAG nicht reicht
RAG ist eine Technik: Sie holt passende Textstellen aus einer Sammlung und legt sie dem Modell vor. Nützlich — aber für sich genommen begrenzt. Ein Assistent, der wirklich weiterhilft, kann mehr.
Reines RAG
Chat über eure Dokumente
- Eine Eingabeart: Text.
- Holt Textstellen — prüft aber nichts.
- Antwortet einmal: kein Nachfassen, keine Hintergrundarbeit.
- Kennt nur, was in den Dokumenten steht.
Agentischer Assistent
Versteht, prüft, arbeitet weiter
- Multimodale Eingabe: Text, Sprache und Handschrift.
- Verifiziert jeden Schritt gegen eine Referenz, bevor er antwortet.
- Arbeitet im Hintergrund: löst vor, ruft parallel Wissen ab, fragt bei Bedarf nach.
- Nutzt gezielten Abruf — als eine Fähigkeit unter mehreren, nicht als ganzen Trick.
Vier Fähigkeiten jenseits von RAG
Am Beispiel von Formelfuchs — jede davon ist im Produkt umgesetzt, nicht nur auf dem Papier.
Handschrift → LaTeX, mit Kontrollschleife
Ein Zeichen-Canvas schickt die handschriftliche Rechnung als Bild über einen WebSocket. Eine Vision-Anfrage transkribiert sie 1:1 in LaTeX. Erkennt ein Fehler-Detektor eine unklare Stelle, bittet die Oberfläche die Lernenden, sie neu zu zeichnen — eine geschlossene Erkennen-Prüfen-Wiederholen-Schleife statt eines einzelnen Versuchs.
Erst prüfen, dann erklären
Ein kleiner Triage-Klassifikator ordnet jede Nachricht ein (neue Aufgabe, Frage, Antwort, Lösungsschritt oder unklar). Ein Reasoning-Modell prüft den Schritt der Lernenden gegen eine vorab berechnete Referenzlösung. Erst danach formuliert ein eigenes, feinabgestimmtes Pädagogik-Modell die sokratische Antwort — nach benannten Tutoring-Zügen und der Regel: nie die ganze Lösung verraten, sondern führen.
Agenten, die im Hintergrund arbeiten
Sobald eine Aufgabe entsteht — per Foto, transkribierter Handschrift oder Chat — löst ein Hintergrund-Agent sie sofort vor und legt die Schrittlösungen ab, bevor die Lernenden antworten. Eine Skill-Suche läuft parallel zur Triage- und Prüf-Pipeline. Der Bot kann seinen eigenen Ablauf pausieren, eine kurze Ja/Nein-Frage stellen und asynchron weitermachen. A/B-Modellvarianten laufen live in der Produktion.
Können pro Teilfähigkeit, nicht pauschal
Ein versionierter Lehrplan als „Skill Tree" bildet den Abitur-Stoff ab. Nach jeder bewerteten Antwort steigt oder sinkt das Können der Lernenden für die betroffene Teilfähigkeit. So wird Fortschritt feingranular sichtbar statt als eine einzige Note. Eine Erinnerung, die Stärken und Schwächen zusammenfasst, ist in Vorbereitung (Preview).
Der Weg einer Nachricht
Von der Eingabe bis zur Antwort durchläuft jede Nachricht dieselbe Kette — Retrieval ist darin nur ein Baustein.
Eingabe
Handschrift
Text, Sprache oder gezeichnete Rechnung.
Erkennen
OCR → LaTeX
Vision-Transkription 1:1, mit Wiederhol-Schleife bei unklaren Stellen.
Einordnen
Triage
Ein kleiner Klassifikator bestimmt die Art der Nachricht.
Prüfen
Verifikation
Ein Reasoning-Modell vergleicht den Schritt mit der Referenzlösung.
Erklären
Pädagogik
Ein feinabgestimmtes Modell formuliert die sokratische Antwort.
Formelfuchs: der Mathe-Tutor von TutorMind
TutorMind ist eine deutsche Plattform zur Abitur-Vorbereitung in Mathe. Formelfuchs ist der KI-Tutor darin — entwickelt gemeinsam mit dem pädagogischen Wissen echter Tutoren, in Kooperation mit dem Lernzentrum Oberursel. Lernende arbeiten per Text, Sprache und Handschrift.
Das aktuelle Produktions-Antwortmodell ist ein GPT-4.1-Fine-tune. Die Orchestrierung ist handgeschrieben in C# — kein LangChain, kein LlamaIndex.
Die TutorMind-Anwendung wird nicht mehr angeboten. Die Produktseite beschreibt weiterhin, was Formelfuchs konnte:
tutormind.de ansehen →Stack
Wo RAG wirklich passt
In Formelfuchs gibt es genau eine echte Retrieval-Komponente — und sie ist bewusst schmal gehalten.
- Das laufende Gespräch wird eingebettet (text-embedding-3-large).
- Per Kosinus-Ähnlichkeit gegen vorab berechnete Einbettungen der Lehrplan-Knoten gerankt.
- Die Top 5 gehen an ein kleines LLM, das nachrangt und filtert.
- Die verbleibenden Knoten werden als Kontext injiziert.
Das ist ein enges Interface-Muster: freie Konversation auf eine feste, kuratierte Lehrplan-Taxonomie abbilden, um Können zu verfolgen. Es ist kein Retrieval über beliebige hochgeladene Dokumente — und nicht der Kern des Werts. Der liegt in multimodaler Eingabe, Verifikation und der Arbeit der Hintergrund-Agenten.