Projektwissen für bessere KI-Antworten ordnen
Lingxi Cui, Jinhao Ruan, Wenqing Wei, Guo Yi u. a. · Zhejiang University / Xiaohongshu · 14.10.2026 · nicht begutachtet
Quellenbefund
EGCForest ist ein Verfahren, das Chatnachrichten nach Personen, Gesprächskanälen und Arbeitsergebnissen ordnet und miteinander verknüpft. Im internen Test lieferte die KI damit 53,31 Prozent richtige Antworten. Mit der stärksten Vergleichsmethode, die nach passenden Wörtern und ähnlichen Inhalten sucht, waren es 40,70 Prozent. In beiden Fällen antwortete dasselbe KI-Modell.
Methode und Aussagekraft
Vergleich von Such- und Speicherverfahren auf drei Datensätzen. Der gezeigte interne Test umfasst 801 Fragen zu 10.222 Nachrichten. Alle Verfahren nutzen dort GPT-4.1-mini als Antwortmodell; Kontextbudget: 3.000 Tokens. Offene Antworten bewertet ein KI-Modell. Mittlere Aussagekraft für diese Tests.
Grenzen und Interessen
Preprint vom 14.10.2026, nicht begutachtet. Ein interner Unternehmensdatensatz; Land, Branche und Unternehmensgröße nicht belegt. Keine gemessene Zeitersparnis oder Rendite. Autoren sind auch bei Xiaohongshu beschäftigt. Bewertung durch KI und Wiederholung durch andere Teams bleiben wichtige Grenzen.
Eigene Einordnung
Nicht nur das Sprachmodell prüfen. Die Ordnung und Herkunft des Projektwissens können die Antwortqualität verändern. Der interne Vergleich ist keine allgemeine Erfolgsquote für Unternehmen.
Was Unternehmen tun können
Testen Sie Ihre KI mit Fragen zu geänderten Zuständigkeiten und Projektständen. Prüfen Sie, ob sie die richtige Originalnachricht samt Person und Datum belegt.
Zuerst lesen
Tabelle 1, Abschnitt 4.2; Anhang A.2.3 zur Datenbasis und A.3/A.4 zur Bewertung. Rohwerte: 53,31 und 40,70 Prozent; Abstand 12,61 Prozentpunkte.
Verknüpfungen
Daten und Technik · Daten und Belege nachvollziehen · Projektwissen für KI prüfen