About

English / Deutsch

RudiGPT v1.0.2 Beta

English

RudiGPT helps educators and researchers explore Rudolf Steiner's anthroposophical works with authentic tone and precise GA citations. It is designed for lesson preparation, study, and scholarly inquiry in Waldorf education.

Under the hood, RudiGPT uses a Retrieval-Augmented Generation (RAG) pipeline: it searches a curated corpus of Steiner texts, retrieves the most relevant passages, and synthesizes a concise answer that includes GA references and page or lecture context when available.

Coverage and scale

As of this release, the SteinerRAG corpus covers approximately 84% of publicly available writings by Rudolf Steiner, comprising about 21,000 vector points and roughly 800 MB of vector data.

Focus

  • Authentic responses aligned with Steiner's voice and intent
  • Bilingual support (German/English)
  • Clear GA citations for transparency and verifiability
  • Privacy-conscious deployment suitable for schools

Technology

  • Frontend: Next.js + TypeScript + TailwindCSS
  • Backend: FastAPI (Python)
  • Vector search: Qdrant
  • LLM + embeddings: configured per deployment

Deutsch

RudiGPT unterstützt Lehrkräfte und Forschende dabei, die Werke Rudolf Steiners zu erkunden – in authentischem Ton und mit präzisen GA-Zitaten. Es eignet sich für Unterrichtsvorbereitung, Studium und wissenschaftliche Arbeit an Waldorfschulen.

Technisch nutzt RudiGPT einen RAG‑Prozess: Aus einem kuratierten Korpus werden relevante Textstellen gesucht, abgerufen und zu einer prägnanten Antwort zusammengeführt – inklusive GA‑Verweisen und Kontext (Seite/Vortrag), sofern verfügbar.

Abdeckung und Umfang

Zum aktuellen Stand deckt der SteinerRAG‑Korpus etwa 84 % der öffentlich verfügbaren Schriften Rudolf Steiners ab – rund 21.000 Vektorpunkte und ungefähr800 MB Vektordaten.

Schwerpunkte

  • Authentische Antworten im Sinne von Steiners Stimme und Intention
  • Zweisprachigkeit (Deutsch/Englisch)
  • Transparente GA‑Zitate zur Nachvollziehbarkeit
  • Datenschutzfreundliche Bereitstellung für Schulen

Technologie

  • Frontend: Next.js + TypeScript + TailwindCSS
  • Backend: FastAPI (Python)
  • Vektorsuche: Qdrant
  • LLM + Embeddings: je nach Deployment konfiguriert