Willkommen zur reflact Engine Schulung!
In den nächsten 5 Tagen lernst du unsere KI-Bot-Plattform von Grund auf kennen – Schritt für Schritt, mit praktischen Übungen.
Nach dieser Woche kannst du:
- Die reflact Engine in ihren Grundzügen erklären
- Benutzern bei häufigen Problemen eigenständig helfen
- Bots erstellen, konfigurieren und testen
- Den Debug-Log lesen und Fehler eingrenzen
- Wünsche & Probleme für das Entwickler-Team dokumentieren
Du wirst Teil des Support-Prozesses. Das bedeutet:
- Nutzer unterstützen – Du beantwortest Fragen und hilfst bei Problemen
- Entwickler entlasten – Du fängst einfache Anfragen ab, damit das Team entwickeln kann
- Feedback sammeln – Du erkennst Wünsche und dokumentierst sie als Backlog-Einträge
- Brücke sein – Zwischen Nutzern und dem Entwicklungsteam
Mach dir während der Schulung Notizen! Alles, was du dir merkst, hilft dir später im Support-Alltag.
Deine Woche im Überblick
Jeder Tag hat einen thematischen Schwerpunkt mit Theorie und praktischen Übungen.
| Tag | Thema | Schwerpunkt |
|---|---|---|
| Montag | 🧠 Grundlagen | Was ist die Engine? LLMs & RAG verstehen |
| Dienstag | ⚙️ Admin-Bereich | Projekte, Bots erstellen & konfigurieren |
| Mittwoch | 🛠️ Skills & Wissen | Skill-Typen, RAG-Praxis, Wissensbasen |
| Donnerstag | 🎭 Erweiterte Features | Bot-Typen, Insights, Embedding |
| Freitag | 🎯 Support-Praxis | Debug-Logs, Troubleshooting, reale Szenarien |
Am Montag erhältst du zusätzlich eine Scrum-Einführung von deinem Team. Diese Schulung hier konzentriert sich auf die Software selbst.
Was ist die reflact Engine?
Ein Überblick über die Plattform, ihre Bestandteile und wofür sie eingesetzt wird.
Die reflact Engine auf einen Blick
Die reflact Engine ist eine Plattform zur Erstellung und Verwaltung von KI-gesteuerten Bots. Nutzer können ohne Programmierkenntnisse intelligente Chatbots, Voice-Bots und Avatar-Bots erstellen.
| Bereich | Was es ist | Wer es nutzt |
|---|---|---|
| Admin (bot-admin) | Bot-Verwaltung & Konfiguration | Admins, Bot-Designer |
| Bot (bot) | Chat-Oberfläche für Gespräche | Endnutzer, Lernende |
| RAG-Admin | Wissensdatenbank-Verwaltung | Dokumenten-Manager |
Wofür wird die Engine eingesetzt?
- Unternehmensinterne Support-Bots – FAQ-Assistenten, IT-Helpdesk
- E-Learning – Interaktive Lernassistenten mit Quiz & Scoring
- Onboarding – Neue Mitarbeiter mit einem Bot einarbeiten
- Kundenkommunikation – Chat-Widgets auf Websites
- Trainings & Simulationen – Rollenspiele, Gesprächsübungen
Die Architektur (vereinfacht)
↕ Skills, Wissensdatenbank, Konfiguration fließen über den Server ins LLM
Kernkonzepte – Dein erstes Vokabular
| Begriff | Bedeutung |
|---|---|
| Projekt | Ordner für zusammengehörige Bots (wie ein Arbeitsbereich) |
| Bot | Ein einzelner KI-Assistent mit eigenem Verhalten |
| Skill | Ein Werkzeug/Wissensquelle, die dem Bot zur Verfügung steht |
| Systemprompt | Die „Persönlichkeit" und Regeln des Bots |
| LLM | Large Language Model – das KI-Sprachmodell dahinter |
| RAG | Retrieval-Augmented Generation – Wissen aus Dokumenten nutzen |
| Token | Texteinheiten, die das LLM verarbeitet (ca. ¾ eines Wortes) |
| Stage | Ein Gesprächsabschnitt mit eigener Konfiguration |
Wie funktionieren LLMs?
Grundverständnis der Technologie hinter den Bots – wichtig für den Support!
Was ist ein Large Language Model?
Ein LLM ist ein KI-Modell, das auf riesigen Textmengen trainiert wurde. Es funktioniert im Kern so:
Ein LLM berechnet für jedes nächste Wort die Wahrscheinlichkeit, welches Wort als nächstes kommen sollte. Es "versteht" nicht wirklich – es ist extrem gut im Muster-Erkennen.
Eingabe: "Die Hauptstadt von Deutschland ist ___"
LLM denkt: Berlin (94%) | Bonn (3%) | München (1%) | ...
Ausgabe: "Berlin"Drei wichtige Eigenschaften für den Support
LLMs können Fakten erfinden, die überzeugend klingen aber falsch sind. Das ist kein Bug – es liegt in der Natur der Technologie. Deshalb nutzen wir RAG (kommt gleich).
LLMs können nur eine begrenzte Textmenge gleichzeitig verarbeiten (das „Kontextfenster"). Bei sehr langen Gesprächen können ältere Nachrichten „vergessen" werden.
Die gleiche Frage kann unterschiedliche Antworten liefern. LLMs sind nicht deterministisch – das ist normal und kein Fehler.
Was bedeutet das für den Support?
- Wenn ein Nutzer sagt: „Der Bot erzählt Unsinn" → Möglicherweise Halluzination. Lösung: Bessere Skills/Wissensquellen bereitstellen.
- Wenn ein Nutzer sagt: „Der Bot hat vergessen, was ich gesagt habe" → Kontextfenster-Limit. Das ist eine technische Grenze.
- Wenn ein Nutzer sagt: „Gestern hat der Bot anders geantwortet" → Normal! LLMs sind probabilistisch.
RAG – Retrieval-Augmented Generation
Wie wir LLMs mit echtem Wissen versorgen und Halluzinationen reduzieren.
Das Problem ohne RAG
Ein LLM weiß nur, was in seinen Trainingsdaten steht. Es kennt weder deine Firmen-FAQ noch aktuelle Produktinfos. Wenn man es trotzdem fragt, erfindet es eine Antwort.
Die Lösung: RAG
Analogie: RAG ist wie ein offenes Buch in einer Prüfung
Stell dir vor, du schreibst eine Prüfung. Ohne RAG musst du alles aus dem Gedächtnis beantworten (und erfindest vielleicht was). Mit RAG darfst du in deinem Ordner nachschlagen – du gibst korrekte, belegbare Antworten.
Warum ist das für den Support wichtig?
- „Der Bot weiß das nicht" → Prüfen: Ist das Wissen als Skill hinterlegt?
- „Die Antwort ist veraltet" → Die Dokumente im Skill müssen aktualisiert werden
- „Der Bot ignoriert meine Dokumente" → Skill aktiv? Beschreibung korrekt?
Übung: Erste Erkundung
Jetzt bist du dran! Öffne die reflact Engine und erkunde sie eigenständig.
- Öffne den Admin-Bereich der reflact Engine in deinem Browser
- Melde dich mit deinen Zugangsdaten an
- Finde heraus: Wie viele Projekte gibt es bereits?
- Öffne ein bestehendes Projekt und schaue dir die Bot-Liste an
- Wähle einen bestehenden Bot aus und klicke auf „Testen"
- Stelle dem Bot 3 verschiedene Fragen
- Beobachte: Antwortet er sinnvoll? Wo hakt es?
- Notiere dir deine Beobachtungen
Erkläre die folgenden Begriffe in eigenen Worten (schriftlich, 1-2 Sätze):
- LLM
- RAG
- Halluzination
- Systemprompt
- Skill
Wenn du nicht weiterkommst, frag gerne nach! Im echten Support-Alltag ist Nachfragen eine Stärke, keine Schwäche.
Checkliste Tag 1
- Ich weiß, was die reflact Engine ist und wofür sie eingesetzt wird
- Ich verstehe, wie ein LLM grundsätzlich funktioniert
- Ich kann erklären, was RAG ist und warum es wichtig ist
- Ich habe den Admin-Bereich geöffnet und mich orientiert
- Ich habe einen Bot getestet und beobachtet
Der Admin-Bereich
Hier wird alles verwaltet: Projekte, Bots, Berechtigungen und mehr.
Navigations-Übersicht
| Bereich | Funktion |
|---|---|
| Projekte | Container für zusammengehörige Bots |
| Bot-Liste | Alle Bots eines Projekts mit Status |
| Bot bearbeiten | Konfiguration, Skills, Insights, Export |
| Archiv | Deaktivierte/archivierte Bots |
| Papierkorb | Gelöschte Bots (wiederherstellbar) |
Projekt-Management
Jedes Projekt ist wie ein Ordner, der Bots zusammenfasst. Typische Projektstrukturen:
- Nach Kunde: „Firma ABC – Support-Bots"
- Nach Zweck: „E-Learning Plattform"
- Nach Team: „Marketing-Bots"
Berechtigungssystem
Projekte können mit anderen Nutzern geteilt werden. Berechtigungsstufen:
| Rolle | Rechte |
|---|---|
| Besitzer | Alles – inkl. Löschen & Teilen |
| Editor | Bots bearbeiten, Skills verwalten |
| Viewer | Nur Anschauen & Testen |
Häufige Support-Anfrage: „Ich kann den Bot nicht bearbeiten!" → Prüfe zuerst die Berechtigung des Nutzers im Projekt.
Bots erstellen & verwalten
Vom leeren Projekt zum funktionierenden Bot – die wichtigsten Schritte.
Einen neuen Bot erstellen
Projekt öffnen – Wähle das Projekt, in dem der Bot leben soll
„Neuer Bot" klicken – Vergib einen sprechenden Namen
Bot-Typ wählen – Chat, Voice oder Avatar
Bot-Aufgabe definieren – Der Systemprompt (Persönlichkeit & Regeln)
Skills hinzufügen – Wissen & Werkzeuge zuweisen
Testen – Im Debug-Modus ausprobieren
Bot-Aktionen
| Aktion | Beschreibung |
|---|---|
| Duplizieren | Kopie eines Bots erstellen (z.B. für Variationen) |
| Exportieren | Bot als ZIP-Datei sichern |
| Importieren | Bot aus ZIP wiederherstellen |
| Archivieren | Bot deaktivieren ohne zu löschen |
| Löschen | Bot in den Papierkorb verschieben |
Vor größeren Änderungen an einem Bot: Zuerst duplizieren, dann am Duplikat arbeiten. So bleibt das Original sicher.
Bot konfigurieren
Die sechs Hauptbereiche der Bot-Konfiguration im Detail.
Die 6 Konfigurationsbereiche
Hier definierst du wer der Bot ist und wie er sich verhält:
- Rolle & Persönlichkeit (z.B. „Du bist ein freundlicher Lernassistent...")
- Verhaltensregeln (z.B. „Antworte immer auf Deutsch")
- Grenzen (z.B. „Wenn du die Antwort nicht weißt, sage es ehrlich")
Du bist Lilo, eine freundliche Lernassistentin für das
Thema Projektmanagement. Du antwortest in einfacher Sprache
und gibst praktische Beispiele. Wenn du etwas nicht weißt,
sagst du ehrlich: "Das weiß ich leider nicht."Wer darf den Bot nutzen?
- API-Token – Für programmatische Zugriffe
- Authentifizierung – Login-Pflicht oder öffentlich
- Berechtigungen – Wer darf was
- Bot-Typ: Chat / Voice / Avatar
- LLM-Modell: GPT-4o, GPT-4o-mini, etc.
- Temperatur: Kreativität der Antworten (0 = präzise, 1 = kreativ)
- Stage-Manager: Gesprächsabschnitte definieren
- CSS: Design-Anpassungen
- DSGVO-Konformität
- Datenaufbewahrungsfristen
- Automatische Datenlöschung
- Gedächtnis: Chatverlauf einsehen
- Supervisor: Live-Monitoring
- Statistik: Nutzung, Tokens, Kosten
- Feedback: Nutzer-Bewertungen (👍/👎)
- iFrame: Bot auf externen Websites einbetten
- SCORM: Export für Lernplattformen (Moodle etc.)
- ZIP: Bot-Konfiguration sichern & teilen
Übung: Deinen ersten Bot bauen
Erstelle einen eigenen Bot von Grund auf!
Erstelle einen einfachen FAQ-Bot für ein fiktives Café namens „Kaffeeglück":
- Erstelle einen neuen Bot im Übungsprojekt
- Gib ihm den Namen: „Kaffeeglück Assistent"
- Schreibe einen Systemprompt:
- Der Bot soll freundlich und hilfsbereit sein
- Er kennt die Öffnungszeiten: Mo-Fr 7-18 Uhr, Sa 8-16 Uhr, So geschlossen
- Er empfiehlt den „Cappuccino des Monats"
- Er antwortet auf Deutsch
- Teste den Bot mit diesen Fragen:
- „Wann habt ihr geöffnet?"
- „Was könnt ihr empfehlen?"
- „Habt ihr WLAN?"
- Beobachte: Was passiert bei der WLAN-Frage? (Der Bot hat dazu keine Info!)
Bei der WLAN-Frage wird der Bot wahrscheinlich etwas erfinden. Das ist ein perfektes Beispiel dafür, warum ein guter Systemprompt Grenzen setzen sollte – und warum Skills als Wissensquelle wichtig sind (kommt morgen!).
Ergänze den Systemprompt um diese Regel:
Wenn du eine Frage nicht beantworten kannst, sage ehrlich:
"Das weiß ich leider nicht. Am besten rufst du uns an
unter 0123-456789."Teste die WLAN-Frage erneut – hat sich das Verhalten verbessert?
Checkliste Tag 2
- Ich kenne die Struktur des Admin-Bereichs
- Ich kann ein Projekt und einen Bot erstellen
- Ich verstehe die 6 Konfigurationsbereiche
- Ich habe einen eigenen Bot gebaut und getestet
- Ich verstehe, warum ein guter Systemprompt wichtig ist
Das Skill-System
Skills geben dem Bot konkretes Wissen und Werkzeuge – das Herzstück der Plattform.
Was sind Skills?
Ein Skill ist eine Fähigkeit oder Wissensquelle, die du einem Bot zuweist. Ohne Skills ist ein Bot wie ein Mitarbeiter ohne Schulungsunterlagen – er kann nur raten.
Jeder Skill hat diese Bestandteile:
| Element | Funktion |
|---|---|
| Beschreibung für die KI | Erklärt dem LLM, wann es den Skill nutzen soll |
| Funktionsname | Interner Bezeichner (z.B. „get_opening_hours") |
| Skill-ID | Eindeutige ID für Programmierung (optional) |
| Aktiv/Inaktiv | Kann zur Laufzeit ein-/ausgeschaltet werden |
Richtwert: 3–10 Skills pro Bot, maximal 3 gleichzeitig aktiv. Zu viele Skills verwirren das LLM – es weiß dann nicht mehr, welchen es nutzen soll.
Wie entscheidet das LLM, welchen Skill es nutzt?
Die Beschreibung für die KI ist entscheidend! Das LLM liest diese Beschreibung und entscheidet anhand der Nutzerfrage, ob der Skill relevant ist.
Gute Beschreibung: „Verwende diesen Skill, wenn der Nutzer nach Öffnungszeiten, Standort oder Kontaktdaten fragt."
Schlechte Beschreibung: „Allgemeine Infos" (zu vage!)
Skill-Typen im Detail
Es gibt verschiedene Skill-Typen für verschiedene Aufgaben.
Die wichtigsten Typen erklärt
Wann verwenden: Für standardisierte Antworten, die immer gleich sein sollen.
Beispiel: „Wenn jemand nach den Preisen fragt, zeige immer diese Preisliste."
Besonderheit: Kann auch JavaScript-Code ausführen (z.B. Buttons anzeigen, Bilder einblenden).
// Beispiel: Button-Karte anzeigen
RAGAI.buttonsCard(["Preisliste", "Kontakt", "FAQ"]);Wann verwenden: Wenn der Bot Wissen aus Dateien nutzen soll.
Unterstützte Formate: PDF, DOCX, TXT, Markdown, Code-Dateien
So funktioniert es:
- Dokument hochladen
- System zerlegt es in kleine Textabschnitte
- Abschnitte werden als Vektoren gespeichert
- Bei Fragen werden relevante Abschnitte gefunden und dem LLM gegeben
Support-Hinweis: Wenn ein Bot „sein Dokument ignoriert", prüfe ob der Skill aktiv ist und ob die Beschreibung dem LLM klar macht, wann es das Dokument nutzen soll.
Wann verwenden: Für Echtzeitdaten von Websites.
Beispiel: Aktuelle Wetterdaten, Fahrpläne, API-Abfragen
Hinweis: Die URL kann dynamische Parameter enthalten, die zur Laufzeit befüllt werden.
Wann verwenden: Für strukturierte Daten wie Produktkataloge oder Glossare.
Format: Key-Value-Paare (Schlüssel → Wert)
Vorteil gegenüber Dokumenten: Präziser bei strukturierten Abfragen (z.B. „Was kostet Produkt X?")
Wann verwenden: Wenn der Bot externe Systeme ansprechen soll.
Beispiele:
- Newsletter-Anmeldung in Mailchimp
- Ticket erstellen in Jira
- Termin buchen in einem Kalender
Support-Hinweis: Webhook-Fehler sind oft Netzwerk- oder Berechtigungsprobleme des Ziel-Systems.
RAG in der Praxis
Wie Dokumenten-Skills funktionieren und was dabei schiefgehen kann.
Der RAG-Workflow für Dokumente
Admin lädt ein PDF hoch (z.B. Handbuch, 50 Seiten)
System zerlegt das PDF in kleine Textabschnitte (~500 Wörter)
Jeder Abschnitt wird in einen Zahlenvektor umgewandelt
„Wie setze ich mein Passwort zurück?"
System findet die 3-5 relevantesten Textabschnitte
LLM formuliert Antwort basierend auf gefundenen Textstellen
Häufige Probleme & Lösungen (Support-relevant!)
Nutzer sagt: „Der Bot gibt falsche Infos aus meinem Dokument."
Mögliche Ursachen:
- Das Dokument enthält widersprüchliche Informationen
- Die Frage ist zu vage und das System findet den falschen Abschnitt
- Das Dokument ist veraltet
Lösung: Dokument prüfen, ggf. aktualisieren. Im Debug-Log schauen, welche Textstellen der Bot verwendet hat.
Nutzer sagt: „Der Bot sagt ‚Ich habe dazu keine Information', obwohl es im Dokument steht."
Mögliche Ursachen:
- Die Skill-Beschreibung sagt dem LLM nicht, wann es den Skill nutzen soll
- Der Skill ist deaktiviert
- Die Frage verwendet andere Begriffe als das Dokument
Lösung: Skill-Status prüfen, Beschreibung verbessern, Synonyme im Dokument ergänzen.
Übung: Skills anlegen
Erweitere deinen Kaffeeglück-Bot mit echtem Wissen!
- Öffne deinen „Kaffeeglück Assistent" Bot
- Erstelle einen neuen Wenn-Dann-Skill
- Beschreibung: „Verwende diesen Skill, wenn der Nutzer nach WLAN fragt"
- Antwort: „Ja, wir haben kostenfreies WLAN! Das Passwort lautet: Kaffee2024"
- Teste: Frage den Bot „Habt ihr WLAN?" – funktioniert es jetzt?
- Erstelle eine kurze Textdatei (TXT) mit einer fiktiven Speisekarte:
Kaffeeglück – Speisekarte Getränke: - Espresso: 2,50€ - Cappuccino: 3,80€ - Latte Macchiato: 4,20€ - Filterkaffee: 2,00€ - Chai Latte: 3,90€ Speisen: - Croissant: 2,80€ - Avocado-Toast: 7,50€ - Käsekuchen: 4,50€ - Granola Bowl: 6,90€ - Erstelle einen Dokumente-Skill und lade die Datei hoch
- Beschreibung: „Verwende diesen Skill, wenn der Nutzer nach Preisen, Getränken oder Speisen fragt"
- Teste: „Was kostet ein Cappuccino?" und „Was habt ihr zu essen?"
Stelle dem Bot jetzt schwierige Fragen und beobachte sein Verhalten:
- „Habt ihr auch Alkohol?" (nicht in der Karte)
- „Kann ich auch mit Kreditkarte zahlen?" (keine Info dazu)
- „Was ist günstiger – Espresso oder Cappuccino?" (Vergleich)
Notiere: Wo funktioniert es? Wo nicht? Was könnte man verbessern?
Checkliste Tag 3
- Ich verstehe das Skill-System und die verschiedenen Typen
- Ich kann einen Wenn-Dann-Skill erstellen
- Ich kann einen Dokument-Skill erstellen und nutzen
- Ich weiß, warum die Skill-Beschreibung so wichtig ist
- Ich kenne typische RAG-Probleme und ihre Lösungen
Bot-Typen: Chat, Voice & Avatar
Die reflact Engine unterstützt verschiedene Interaktionsformen.
Die drei Bot-Typen
Standard-Typ. Textbasierte Konversation wie bei ChatGPT.
- Nachrichtenverlauf mit Sprech-Blasen
- Optional: Spracheingabe via Mikrofon
- Kann Bilder, Buttons, Karten anzeigen
- Am einfachsten zu erstellen und zu warten
Einsatz: FAQ, Support, Wissensvermittlung, Recherche
Nur Sprache, kein Text. Der Bot spricht mit dem Nutzer.
- Text-to-Speech via ElevenLabs oder OpenAI TTS
- Speech-to-Text für Nutzereingabe
- Kein Chat-Verlauf sichtbar
- Ideal für hands-free Szenarien
Einsatz: Sprachassistenten, barrierefreie Anwendungen, Telefon-Bots
Visueller Charakter mit Lip-Sync und Gestik.
- HeyGen Streaming Avatar oder Custom-Avatar
- Spricht mit synchroner Lippenbewegung
- Fühlt sich „menschlicher" an
- Höherer Ressourcenverbrauch (Streaming)
Einsatz: E-Learning, Onboarding, immersive Erlebnisse, Präsentationen
Avatar-Bots verbrauchen deutlich mehr Ressourcen. Wenn Nutzer über Ladezeiten klagen, prüfe ob ein Chat-Bot für den Anwendungsfall nicht ausreichen würde.
Stage-Manager: Gesprächsabschnitte
Der Stage-Manager erlaubt es, ein Gespräch in Abschnitte (Stages) zu unterteilen:
Jede Stage kann eigene Skills, Prompts und Verhaltensregeln haben.
Insights & Monitoring
Wie du den Bot und seine Nutzung überwachst – essenziell für den Support!
Insights-Bereiche
Hier siehst du den Chatverlauf aller Nutzer. Wichtig für:
- Nachvollziehen, was ein Nutzer gefragt hat
- Prüfen, ob der Bot korrekt geantwortet hat
- Kontext verstehen bei Support-Anfragen
Live-Monitoring von aktiven Gesprächen:
- Zusammenfassungen laufender Chats sehen
- Bei kritischen Events benachrichtigt werden
- Manuell in Gespräche eingreifen (Admin-Knöpfe)
Wenn ein Nutzer sich beschwert und das Gespräch noch aktiv ist, kannst du über den Supervisor live sehen, was passiert.
Übersicht über Verbrauch und Nutzung:
- API-Requests pro Tag/Woche/Monat
- Token-Verbrauch (Kosten-Indikator)
- Avatar-Streaming-Minuten
- Text-to-Speech Nutzung
Nutzer-Bewertungen einzelner Antworten:
- 👍 / 👎 pro Nachricht
- Zeigt dir, wo der Bot gut funktioniert und wo nicht
- Perfekte Grundlage für Verbesserungsvorschläge!
Gespeicherte Daten über Nutzer:
- Name, Abteilung, Präferenzen
- Punkte, Fortschritte, Scoring
- Beliebige Key-Value-Paare
Einbetten & Export
Wie Bots auf Websites und in Lernplattformen landen.
iFrame-Embedding
Der häufigste Weg, einen Bot zu veröffentlichen: Als iFrame auf einer Website einbetten.
<iframe
src="https://bot.reflact.com/BOT-ID"
width="400"
height="600"
style="border: none;"
></iframe>Der Bot passt sich responsive an und kann über die botApi auch von außen gesteuert werden.
SCORM-Export
SCORM ist ein Standard für E-Learning-Inhalte. Damit kann ein Bot in Lernplattformen wie Moodle, Blackboard oder iSpring eingebettet werden.
- Export als SCORM 1.2 Paket (ZIP)
- Tracking von Fortschritt und Punkten
- Kompatibel mit allen gängigen LMS-Systemen
Weitere Export-Optionen
| Export | Zweck |
|---|---|
| ZIP-Export | Bot-Konfiguration sichern oder teilen |
| Import-Link | Bot in anderem Projekt wiederherstellen |
| Adobe Connect Pod | Als Plugin für Adobe Connect Meetings |
„Der Bot zeigt sich nicht auf meiner Website!" → Prüfe: Ist die Domain in den CORS-Einstellungen erlaubt? Ist der Bot öffentlich freigegeben?
Übung: Analyse & Exploration
Heute geht es darum, bestehende Bots zu analysieren – so wie im echten Support-Alltag.
- Öffne einen bestehenden Bot (nicht deinen Übungs-Bot)
- Gehe zu „Insights" → „Gedächtnis"
- Lies 3-5 vergangene Konversationen durch
- Notiere: Welche Fragen werden häufig gestellt? Wo hat der Bot Probleme?
- Gehe zu „Insights" → „Feedback"
- Finde Nachrichten mit 👎 (negatives Feedback)
- Analysiere: Warum war die Antwort schlecht? Was hätte der Bot anders sagen sollen?
- Überlege: Welcher Skill könnte helfen, diese Antwort zu verbessern?
Wenn verfügbar, teste verschiedene Bot-Typen und notiere Unterschiede:
- Wie fühlt sich ein Chat-Bot vs. ein Voice-Bot an?
- Welche Vor-/Nachteile hat jeder Typ?
- Für welche Zielgruppe eignet sich welcher Typ?
Checkliste Tag 4
- Ich kenne die drei Bot-Typen und ihre Einsatzbereiche
- Ich kann die Insights-Bereiche nutzen
- Ich verstehe, wie Bots auf Websites eingebettet werden
- Ich habe reale Konversationen und Feedback analysiert
Deine Support-Rolle
Was dich im Alltag erwartet und wie du Nutzern effektiv hilfst.
Deine drei Hauptaufgaben
- Fragen zur Bedienung beantworten
- Bei Fehlern helfen und Lösungen anbieten
- Nutzer an die richtige Dokumentation verweisen
- Einfache Konfigurationsprobleme lösen
- Einfache Anfragen eigenständig lösen
- Nur „echte" Bugs und technische Probleme weiterleiten
- Doppelte Anfragen erkennen und zusammenführen
- Support-Tickets mit allen nötigen Infos versehen
- Feature-Wünsche heraushören und notieren
- Backlog-Einträge formulieren (wer, was, warum)
- Wiederkehrende Probleme erkennen und melden
- Nutzer-Perspektive ins Team bringen
Die Support-Pyramide
Bugs, neue Features
Konfiguration, Bedienung, Dokumentation
Handbuch, FAQ, Tooltips
Je weiter oben, desto weniger Anfragen sollten ankommen
Wann eskalierst du an das Entwickler-Team?
| Eskalieren ✅ | Selbst lösen 🙋 |
|---|---|
| Server-Fehler (500er) | Nutzer findet Funktion nicht |
| Daten gehen verloren | Bot antwortet schlecht → Skills prüfen |
| Login funktioniert nicht | Berechtigung fehlt → Admin fragen |
| Feature existiert nicht | Feature existiert, Nutzer kennt es nicht |
| Sicherheitsproblem | Nutzer will Feature-Wunsch |
Debug-Log lesen
Das Debug-Log ist dein wichtigstes Werkzeug im Support. Hier siehst du, was hinter den Kulissen passiert.
Debug-Log aktivieren
Beim Testen eines Bots kannst du den Debug-Modus einschalten. Dann siehst du neben den Chat-Nachrichten auch technische Protokoll-Einträge.
Die wichtigsten Log-Einträge
| Log-Eintrag | Bedeutung |
|---|---|
chatcompletion |
LLM verarbeitet Anfrage → zeigt Token-Verbrauch |
tool runStart |
Ein Skill wird aufgerufen |
tool runFinish |
Skill-Ausführung abgeschlossen |
tool runError |
⚠️ Skill-Fehler! Details prüfen |
skill enabled |
Skill wurde aktiviert |
skill disabled |
Skill wurde deaktiviert |
texttospeech |
Audio-Generierung (Voice/Avatar) |
heygen_streaming_avatar |
Avatar-Rendering-Status |
avatarbotNewSession |
Avatar-Session gestartet |
docsearch |
Dokumentensuche (RAG) – zeigt gefundene Stellen |
Debug-Log lesen: Ein Beispiel
📋 Beispiel-Ablauf im Debug-Log:
1. [chatcompletion] Tokens: 450 in, 120 out | Model: gpt-4o
→ LLM hat die Frage verarbeitet
2. [tool runStart] skill: "get_menu" (Dokumente)
→ LLM hat entschieden, den Speisekarten-Skill zu nutzen
3. [docsearch] Found 3 chunks, relevance: 0.87, 0.72, 0.65
→ 3 Textabschnitte gefunden, bester hat 87% Relevanz
4. [tool runFinish] skill: "get_menu" | duration: 230ms
→ Skill erfolgreich, Dauer: 230ms
5. [chatcompletion] Tokens: 890 in, 85 out | Model: gpt-4o
→ LLM formuliert finale Antwort mit den Skill-DatenTypische Fehler im Debug-Log
Bedeutung: Ein Skill konnte nicht ausgeführt werden.
Häufige Ursachen: Webhook-URL nicht erreichbar, Dokument beschädigt, API-Key abgelaufen.
Aktion: Fehlerdetails lesen, ggf. an Entwickler eskalieren.
Bedeutung: Sehr viele Tokens pro Anfrage.
Häufige Ursachen: Zu viele aktive Skills, zu langer Chatverlauf, große Dokumente.
Aktion: Skill-Anzahl prüfen, ggf. Skills deaktivieren.
Bedeutung: Die gefundenen Textstellen passen nur schlecht zur Frage.
Häufige Ursachen: Dokument enthält die Info nicht, Frage zu unspezifisch.
Aktion: Dokument-Inhalt prüfen, ggf. ergänzen.
Troubleshooting-Guide
Die häufigsten Support-Anfragen und wie du sie löst.
Dein Vorgehen bei Support-Anfragen
- Problem verstehen – Was genau passiert? Was erwartet der Nutzer?
- Reproduzieren – Kannst du das Problem nachstellen?
- Debug-Log prüfen – Was zeigt das Protokoll?
- Lösung anbieten – Oder eskalieren mit allen Infos
Häufige Probleme & Lösungen
Prüfe:
- Ist der Bot aktiv (nicht archiviert)?
- Hat der Nutzer die richtige URL?
- Gibt es Server-Fehler im Debug-Log?
- Ist das LLM-Modell verfügbar? (OpenAI-Ausfälle kommen vor)
Prüfe:
- Sind die Skills korrekt konfiguriert und aktiv?
- Ist die Skill-Beschreibung präzise genug?
- Sind die Dokumente aktuell?
- Im Debug-Log: Welche Textstellen wurden gefunden? Relevanz?
Lösung: Skill-Beschreibung verbessern, Dokumente aktualisieren, ggf. Wenn-Dann-Skill für die spezifische Frage ergänzen.
Prüfe:
- Welche Berechtigung hat der Nutzer? (Viewer kann nicht bearbeiten!)
- Ist der Nutzer im richtigen Projekt?
- Ist der Bot vielleicht archiviert?
Lösung: Projekt-Besitzer bitten, die Berechtigung zu ändern.
Prüfe:
- Stimmt der iFrame-Code? (URL korrekt?)
- Ist der Bot öffentlich zugänglich oder nur intern?
- Browser-Konsole: Gibt es CORS-Fehler?
- Blockiert ein Adblocker oder eine Firewall den iFrame?
Prüfe:
- Internetverbindung stabil? (Avatar braucht gute Bandbreite)
- Browser aktuell? (Chrome empfohlen)
- Debug-Log: Fehler bei
heygen_streaming_avatar? - Mikrofon-Berechtigung erteilt?
Tipp: Avatar-Bots sind ressourcenintensiv. Bei schwacher Hardware empfehle einen Chat-Bot als Alternative.
Erklärung: LLMs haben ein begrenztes Kontextfenster. Bei sehr langen Gesprächen gehen ältere Nachrichten verloren.
Lösung: Das ist eine technische Einschränkung. Empfehle dem Nutzer, bei einem neuen Thema einen neuen Chat zu starten.
Prüfe:
- SCORM 1.2 Format ausgewählt? (nicht SCORM 2004)
- ZIP-Datei nicht entpackt hochgeladen?
- Moodle-Version kompatibel?
- Popups im Browser erlaubt?
Übung: Support-Szenarien
Teste dein Wissen an realistischen Support-Anfragen!
Formuliere eine hilfreiche Antwort auf diese Anfrage:
„Hallo, ich habe einen Bot erstellt und Dokumente hochgeladen, aber wenn ich den Bot frage, sagt er immer nur ‚Ich kann dir dabei leider nicht helfen'. Was mache ich falsch?"
Schreibe deine Antwort auf und bedenke:
- Welche Informationen brauchst du noch?
- Was sind die wahrscheinlichsten Ursachen?
- Welche Schritte empfiehlst du?
Lies diese Anfrage und formuliere einen Backlog-Eintrag:
„Wäre es möglich, dass der Bot automatisch eine E-Mail an mich schickt, wenn ein Nutzer dreimal hintereinander negatives Feedback gibt? Das wäre super hilfreich für mich als Bot-Admin."
Formuliere einen Backlog-Eintrag mit:
- Titel: (kurz und beschreibend)
- Als [Rolle] möchte ich [Feature], damit [Nutzen]
- Akzeptanzkriterien: (Wann ist es „fertig"?)
Schaue dir dieses (vereinfachte) Debug-Log an. Was ist das Problem?
[chatcompletion] Tokens: 380 in, 15 out | Model: gpt-4o
[tool runStart] skill: "product_catalog" (Dokumente)
[docsearch] Found 0 chunks, relevance: -
[tool runFinish] skill: "product_catalog" | duration: 45ms
[chatcompletion] Tokens: 420 in, 35 out | Model: gpt-4o
→ Bot-Antwort: "Leider habe ich dazu keine Informationen."Fragen:
- Welcher Skill wurde aufgerufen?
- Was ist das Problem? (Tipp: „Found 0 chunks")
- Was könnten mögliche Ursachen sein?
- Was empfiehlst du dem Nutzer?
Checkliste Tag 5
- Ich kenne meine Support-Rolle und deren Grenzen
- Ich kann das Debug-Log lesen und interpretieren
- Ich weiß, wann ich eskaliere und wann ich selbst löse
- Ich kann Feature-Wünsche als Backlog-Einträge formulieren
- Ich habe die Support-Szenarien durchgearbeitet
Herzlichen Glückwunsch!
Du hast die Schulung abgeschlossen. Hier ist dein Fahrplan für die nächsten Wochen.
- ✅ Grundlagen: LLMs, RAG, Plattform-Architektur
- ✅ Admin: Projekte, Bots, Konfiguration
- ✅ Skills: Typen, Anlage, Troubleshooting
- ✅ Fortgeschritten: Bot-Typen, Insights, Embedding
- ✅ Support: Debug-Log, Troubleshooting, Eskalation
Deine nächsten Schritte
Begleitung: Arbeite im Support mit, aber mit einem Mentor an der Seite
Eigenständigkeit: Übernimm einfache Support-Anfragen selbstständig
Vertiefung: Lerne neue Features kennen, besuche Team-Meetings, lies Release-Notes
Ressourcen für dich
| Ressource | Wofür |
|---|---|
| Handbuch (docs/Handbuch/) | Nachschlagen aller Features |
| FAQ (docs/Handbuch/05-FAQ.md) | Best Practices & häufige Fragen |
| Diese Schulung | Jederzeit zurückkehren und nachlesen |
| Dein Team | Fragen stellen ist immer erlaubt! |
10 goldene Regeln für den Support
- Höre zu – Verstehe das Problem, bevor du antwortest
- Reproduziere – Versuche das Problem nachzustellen
- Nutze das Debug-Log – Es zeigt dir die Wahrheit
- Prüfe die Basics – Berechtigung, Skill aktiv, URL korrekt?
- Erkläre verständlich – Vermeide Technik-Jargon mit Nutzern
- Dokumentiere – Schreibe auf, was du herausgefunden hast
- Eskaliere rechtzeitig – Lieber einmal zu früh als zu spät
- Sammle Feedback – Jede Anfrage ist eine Lern-Chance
- Bleib freundlich – Auch wenn der Nutzer frustriert ist
- Lerne kontinuierlich – Die Plattform entwickelt sich weiter
Du musst nicht alles perfekt wissen. Die besten Support-Mitarbeiter zeichnen sich durch Neugier, Geduld und Lernbereitschaft aus. Du hast jetzt die Grundlage – den Rest lernst du mit jeder Support-Anfrage dazu. Viel Erfolg!