Hängen Sie PDFs, Bilder, Audioaufnahmen, Office-Dokumente, Tabellen, Folien und Textdateien an jede Anfrage zur Anreicherung, Schema-Generierung, Beispielgenerierung, KI-Schema-Bearbeitung oder an Playground-Anfragen an. Die Dateien erreichen das Modell entweder als native Bytes (bei Modellen mit PDF-, Vision- und Audio-Fähigkeit) oder als serverseitig extrahierter Text, der in den Prompt eingebettet wird — kein manuelles OCR, keine Transkription, Konvertierung oder Chunking erforderlich.
Jeder unterstützte MIME-Typ hat einen von Administratoren konfigurierten Zustellungsmodus. Der Modus bestimmt, wie die Datei zum Modell gelangt.
Die ursprünglichen Bytes werden dem Modell als BinaryContent übergeben. Das Modell liest die Datei direkt – ohne serverseitige Vorverarbeitung.
Erfordert ein Modell mit dem passenden Capability-Flag (supports_pdf_input für PDFs,supports_vision für Bilder,supports_audio_input für Audio). Die Modellauswahl wird automatisch gefiltert, sodass nur kompatible Modelle angezeigt werden.
Ein serverseitiger Extraktor läuft einmalig beim Hochladen und speichert den resultierenden Text im Cache. Bei jedem weiteren LLM-Aufruf wird der zwischengespeicherte Text direkt in den Benutzer-Prompt eingefügt.
Keine Modellfähigkeit erforderlich — funktioniert mit jedem Modell. Klartext und Markdown umgehen den Extraktor und dekodieren die Rohbytes direkt.
19 Formate sind standardmäßig aktiviert. Systemadministratoren können jedes Format zwischen dem Modus binary undinline_text umschalten, seine Bezeichnung ändern oder es unter Model Management → Document policies vollständig deaktivieren.
| Format | Erweiterungen | Standardmodus | Fähigkeit / Extraktor |
|---|---|---|---|
| PDF-Dokument | binary | supports_pdf_input | |
| PNG-Bild | .png | binary | supports_vision |
| JPEG-Bild | .jpg, .jpeg | binary | supports_vision |
| MP3-Audio | .mp3 | binary | supports_audio_input |
| WAV-Audio | .wav | binary | supports_audio_input |
| M4A-Audio | .m4a | binary | supports_audio_input |
| OGG-Audio | .ogg, .oga | binary | supports_audio_input |
| FLAC-Audio | .flac | binary | supports_audio_input |
| Klartext | .txt | inline_text | rohe Dekodierung |
| Markdown | .md, .markdown | inline_text | rohe Dekodierung |
| Word (älteres .doc) | .doc | binary | docx2txt |
| Word (.docx) | .docx | binary | python-docx |
| OpenDocument-Text | .odt | binary | odfpy |
| Rich Text Format | .rtf | binary | striprtf |
| EPUB-E-Book | .epub | binary | ebooklib |
| HTML | .html, .htm | binary | beautifulsoup |
| CSV | .csv | binary | csv (stdlib) |
| Tabelle (.xlsx) | .xlsx | binary | openpyxl |
| Präsentation (.pptx) | .pptx | binary | python-pptx |
Wenn Sie mehr als eine Datei an die Beispielgenerierung anhängen, lautet die erste Frage, in welchem Verhältnis die Dateien zueinander stehen – und eine falsche Antwort darauf erzeugt stillschweigend ein unsinniges Beispiel. Deshalb wird sie explizit gestellt, bevor irgendetwas generiert wird.
Ein Vertrag und sein Nachtrag, eine Spezifikation und ihr Datenblatt: Die Dateien werden gemeinsam als eine Entität gelesen.
Zehn Rechnungen, zehn Lebensläufe. Daraus wird der engste Typ abgeleitet, der alle abdeckt, und die Werte des Samples stammen aus einem einzigen ausgewählten Dokument, statt über alle zehn hinweg vermischt zu werden – ein aus zehn Quellen zusammengesetztes Sample beschreibt nichts Reales.
Neun Rechnungen und ein Urlaubsfoto: Statt zu raten, pausiert der Job und fragt, ob der Ausreißer ausgeschlossen werden soll. Dateien ohne jede Gemeinsamkeit lassen den Job direkt scheitern — mit genau dieser Begründung.
Derselbe Mechanismus aus Anhalten und Nachfragen greift bei jeder weiteren Mehrdeutigkeit, auf die der Planer stößt: Der Auftrag hält an, stellt seine Fragen und wird mit Ihren Antworten fortgesetzt – in der App als Dialog, über API und MCP als expliziter Antwortschritt. Eine falsche Annahme zu verhindern ist günstiger, als sie im generierten Schema zu entdecken.
Wovon Dokumente Sie nicht befreien: Ein aus Ihren Dateien generiertes Schema startet mit aktivierter Mehrdeutigkeitsprüfung, genau wie jedes andere. Diese Prüfung fragt, ob ein Eigenschaftsname mehr als eine Bedeutung zulässt – eine Frage der Formulierung des Schemas, nicht der Herkunft der Werte dieses Laufs. Ihr Dokument hat die Werte einmalig festgelegt; das Schema wird weiterhin für Entitäten wiederverwendet, die es nie abgedeckt hat.
(organization_id, sha256).inline_text-Formaten wird der Extraktor beim Hochladen ausgeführt und der resultierende Text in der Attachment-Zeile zwischengespeichert. Nachfolgende LLM-Aufrufe verwenden den zwischengespeicherten Text erneut – keine Kosten für eine erneute Extraktion. binary-Formate überspringen diesen Schritt.DELETE /api/attachments/{id} – ein praktischer Aufräumschritt nach der Anreicherung. Das Löschen ist organisationsbezogen und gibt { success, id, filename } zurück.Anhänge können nicht nur über die Web-Oberfläche, sondern auch programmatisch hochgeladen und gelöscht werden: Der n8n-Connector lädt über natives Multipart hoch, die Make.com- und MCP-Connectoren über die base64-JSON-Route, und jeder Client kann die REST-API direkt nutzen (DELETE /api/attachments/{id} zur Bereinigung).
Wenn Sie eine Binärdatei mit einer Fähigkeitsanforderung anhängen (PDF, Bild oder Audio), wird die Modellauswahl so gefiltert, dass nur Modelle angezeigt werden, die diese Fähigkeit deklarieren. Wenn Sie mehrere Dateien mit unterschiedlichen Anforderungen anhängen, erscheinen nur Modelle, die alle Anforderungen erfüllen.
Die API erzwingt dieselbe Regel: Wird ein inkompatibles Modell mit einem Binäranhang kombiniert, gibt sie 400 model_lacks_attachment_capability zurück. So erhalten Integrationen, die die Benutzeroberfläche umgehen, einen klaren Pre-Flight-Fehler statt eines Anbieterfehlers mitten im Job. Inline-Text-Anhänge stellen niemals eine Anforderung.
| Angehängte Dateien | Infrage kommende Modelle |
|---|---|
| 1 PDF | supports_pdf_input |
| 1 PNG | supports_vision |
| 1 MP3 | supports_audio_input |
| 1 PDF + 1 PNG | supports_pdf_input UND supports_vision |
| 1 DOCX (Binärmodus, keine Funktion) | Alle Modelle — native Byte-Unterstützung wird angenommen, wenn kein Fähigkeits-Flag gesetzt ist |
| 1 TXT oder 1 MD (inline_text-Modus) | Alle Modelle — Text wird direkt in den Prompt eingefügt |
Anhänge werden als vom Modellanbieter gemeldete Eingabe-Token abgerechnet – Entity Enricher berechnet keine separate Gebühr pro Dokument. Die Kosten hängen vom Dateityp und dem ausgewählten Modell ab.
Verbrauchen modellspezifische Eingabe-Tokens. Anthropic berechnet rund 1700 Tokens pro PDF-Seite; OpenAI berechnet Vision-Eingaben nach Anzahl der Tiles; Modelle mit Audio-Fähigkeit messen Audio-Eingaben proportional zu ihrer Dauer. Prüfen Sie die Preisübersicht Ihres Modells unter Models & Pricing.
Der extrahierte Text verbraucht Eingabe-Tokens zum Standard-Texttarif. Große Dokumente sind auf 500 KB extrahierten Text begrenzt – längere Inhalte werden abgeschnitten.