Sell with Marketing hat für ESCG, eine Dienstleistungsfirma, den statischen KI-Datei-Upload durch ein lebendiges, referenzverankertes Wissenssystem auf Claude ersetzt. Jede Antwort kommt jetzt mit einer nummerierten Quelle aus einem vertraulichen, stetig wachsenden Korpus zurück — nicht mit dem, was zufällig an diesem Tag im Kontext lag.

Das Problem: ein Korpus, zu groß und zu lebendig für einen Datei-Upload

ESCG arbeitet mit einem umfangreichen, vertraulichen Dokumentenkorpus, mit formaler Referenznummerierung, kryptografischem Hash und Zeitstempel, der sich fortlaufend erweitert, sobald neues Material eingeht. Genau diese Kombination — Größe, Vertraulichkeit und stetiges Wachstum — bringt ein normales KI-Setup zum Kippen.

Der erste Ansatz war, die Dateien direkt in ein Claude-Projekt zu laden. Das stieß sofort an drei strukturelle Grenzen. Das Project Knowledge hat eine Kapazitätsgrenze, und ein Korpus dieser Größe passte nicht hinein. Es ist statisch, konnte also nicht mit neuem Material mitwachsen. Und weil alles gleichzeitig im Kontext lag, antwortete das Modell mit dem, was geladen war, statt mit dem verifizierten Bestand — Antworten ohne die Quellenangaben, die die Firma braucht, um ihre Arbeit zu belegen.

Was wir gebaut haben

SWM kam als Claude-Implementierungspartner ins Spiel. Wir haben das bestehende Setup geprüft, die Wissensbasis mit Claude Code in VS Code neu aufgebaut und die statischen Uploads durch eine private, live arbeitende Retrieval-Schicht ersetzt. Sie stellt dem Claude-Projekt der Firma drei Werkzeuge zur Verfügung: Korpussuche mit Textausschnitten, die an ihre Referenznummer verankert sind, plus persistentes Schreiben und Lesen eines Arbeitsgedächtnisses, gespeichert in einem privaten Repository. Der Korpus erreicht nie eine öffentliche Oberfläche, und die Firma behält das volle Eigentum am Repository.

Der Claude-Stack

Drei Claude-Produkte, im Zusammenspiel:

  • Claude Code (die VS-Code-Erweiterung), für den Aufbau und die Destillation des Korpus.
  • Claude.ai Projects, als tägliche Arbeitsoberfläche für das Team der Firma.
  • Ein maßgeschneiderter MCP-Server, aufgebaut auf dem Anthropic SDK (Node/Express, auf Render deployed), der das Claude-Projekt mit einem privaten, versionierten Korpus auf GitHub verbindet.

Was sich geändert hat, in Zahlen

Ergebnisse, verifiziert gegen das eigene Repository des Kunden:

  • Korpusintegrität verifiziert: 158 von 158 Primärdateien vor der Ingestion gegen ein SHA-256-Manifest geprüft.
  • Claude Code hat 254 Dokumente und 80 Portalseiten zu einer strukturierten Wissensbasis aus 22 Dateien und 9,55 MB destilliert, aufgeteilt in eine Analyseschicht und einen thematischen Korpus aus 14 Paketen.
  • 12 standardisierte Ausgabevorlagen, generiert aus dem destillierten Korpus.
  • Kapazitätsgrenze aufgehoben: aus dem statischen Upload wurde eine lebendige Retrieval-Schicht, sodass der Korpus wächst, ohne Dateien neu hochzuladen oder manuell neu zu indizieren.
  • Jede Antwort liefert referenzverankerte Textausschnitte, sodass der Nutzer jede Angabe an ihrer nummerierten Quelle prüft, statt dem Gedächtnis des Modells zu vertrauen.
  • Das persistente Gedächtnis schreibt Entscheidungen zurück ins Repository und schafft so Kontinuität über Sitzungen und Teammitglieder hinweg.
  • Eine Optimierungsrunde hat die Antwortzeit deutlich gesenkt: ein einziger rekursiver Tree-API-Aufruf statt Anfragen pro Datei, parallele Batch-Reads zu je acht, ein gemeinsam genutzter In-Memory-Cache mit TTL und Invalidierung bei Schreibzugriff, sowie ein Warm-up-Endpunkt, der Kaltstarts beim Hosting eliminiert.
  • Vollständig private Architektur: kein vertrauliches Material verlässt die eigenen GitHub- und Hosting-Konten des Kunden.

Warum das über eine Firma hinaus zählt

Jede Dienstleistungsfirma, die auf einem vertraulichen, formal referenzierten und weiter wachsenden Korpus sitzt, stößt an dieselben drei Grenzen: eine Größenobergrenze, eine statische Momentaufnahme und Antworten ohne Möglichkeit, die Quelle zu prüfen. Die Lösung ist kein größerer Upload — sondern eine Retrieval-Schicht, die den Korpus als lebendiges, versioniertes System behandelt statt als einmaligen Anhang. Dieselbe Disziplin, die eine Antwort für einen Menschen verifizierbar macht, macht sie überhaupt erst zitierfähig: eine Referenz, die ein Mensch prüfen kann, ist auch eine Referenz, auf die ein Modell verweisen kann.

Verifiziert, mit Namen

Dieser Case wird mit der ausdrücklichen Genehmigung des Kunden veröffentlicht. Ramón Escovar von ESCG hat die Angaben in diesem Artikel bestätigt und ist unter rescovar@escg.com.ve erreichbar, um sie zu verifizieren.

Genau das bauen wir: KI-Systeme auf Claude für Prozessverbesserung, Datenanalyse und dafür, das eigene Wissen eines Unternehmens arbeiten zu lassen. Meld dich, und wir sagen dir ehrlich, ob es zu deinem Fall passt.