Token Effort bygger RAG-chatbots, der besvarer spørgsmål fra dine egne dokumenter — med sporbar kildehenvisning, så du altid ved, hvor svaret kommer fra.
Europæisk hosting · Hetzner-infrastruktur · Din data er din
RAG-pipeline
Dokumenter
Din vidensbase
Spørgsmål
Brugerens spørgsmål
Hent
Relevante uddrag
Svar
Citeret svar
Sådan virker RAG
Vi embedder ikke bare alt og håber på det bedste. Hver beslutning er bevidst — fra hvordan dokumenter opdeles til hvordan resultater rangeres.
1. Indlæs
Vi loader din vidensbase — manualer, politikker, FAQ, produktspecifikationer. Hvert dokument klassificeres og gøres klar til optimal søgning.
PDF, Word, HTML, Markdown, ren tekst
2. Opdel & Embed
Dokumenter opdeles med den strategi, der passer til typen. En FAQ bliver enkelte Q&A-par. En juridisk kontrakt får overlappende uddrag for at bevare krydsreferencer. Hvert uddrag embeddes til en vektor.
5 distinkte opdelingsstrategier · Hybrid fuldtteksts + vektorsøgning
3. Hent
Når en bruger stiller et spørgsmål, søger vi både semantisk (embeddings) og på nøgleord. Resultaterne scores, filtreres og rangeres — kun de mest relevante passager kommer igennem.
Relevansscoring · Hybridsøgning · Metadata-berigede uddrag
4. Generer
LLM'en modtager spørgsmålet plus de hentede uddrag. Den svarer i naturligt sprog og citerer det præcise kildedokument, afsnit og side for hver påstand.
Kildesporbar · Minimeret hallucination · Flersproget
Eksempel på søgning
Brugerens spørgsmål
“Hvad er garantibetingelserne for produkt X?”
Hentede uddrag
Produkthåndbog X-4500
§7.2 — Reklamationsret
Salgsbetingelser 2025
§3 — Returret
FAQ — Ofte stillede spørgsmål
Q: Hvor lang er garantien?
Platform
Built on proven open-source foundations. No proprietary lock-in. Every component can be swapped, extended, or replaced.
PostgreSQL with the pgvector extension handles both your structured data and vector embeddings in one place. No separate vector database needed.
Hybrid search: full-text + semantic
OpenAI, Anthropic, Google Gemini — routed through OpenRouter. The right model for each query, automatically. Switch providers without rebuilding.
No vendor lock-in
Running on Hetzner in Germany. Your data never leaves the EU. Optional zero-data-retention on LLM calls — your prompts are not stored or trained on.
GDPR-compliant by design
Danish, Swedish, Norwegian, English — and more. A corpus in one language can answer questions in another. The LLM translates transparently.
No separate language models needed
Update a document, re-embed, deploy — the chatbot knows the new content within minutes. No retraining, no downtime.
增量 update, no full rebuild
Multi-tenant architecture with isolated database environments per customer. Your embeddings, your documents, your conversations — never mixed with another customer's.
Tenant isolation at data layer
Embed widget
Drop the embed code on your shop or site. The chatbot loads from our Hetzner infrastructure with slug-based routing and hash-token authentication.
<script src="https://chat.token-effort.com/embed.js"Use cases
Not generic AI. RAG chatbots trained on your actual documents — product manuals, internal wikis, standards, policies. Every answer is traceable back to a specific source.
Webshops
Customers ask in natural language — “which drill should I use for concrete in an apartment?” — and get answers from your product specs, datasheets and manuals. No more support tickets for questions your documentation already answers.
Learn more“A chatbot that actually knows your full catalogue.”
Enterprise
15 years of accumulated procedures, policies, and best practices — buried in SharePoint, email threads, and people's heads. A RAG chatbot makes all of it queryable by any employee in seconds.
Learn more“From searching for documents to finding answers.”
Standards bodies
APQP4Wind. ISO 9001. EN standards. Dense, cross-referenced documents that no one can navigate alone. A chatbot built on these standards answers questions with section-level precision — and can guide users to the right clause.
Learn more“Your standards, queryable in plain language.”
Onboarding
The first weeks are full of questions: where do I find this? Who do I ask about that? A company knowledge chatbot handles the repetitive questions so your team doesn't have to.
Learn more“Structured knowledge, zero repetitive interruptions.”
<10s
Response time
5
Chunking strategies
DK/SE/NO/EN
Languages
Zero retention
LLM data policy
Priser
Alle planer inkluderer dokumentindtagelse, kildehenvisninger og embed-widget. Ingen skjulte gebyrer.
Valider tilgangen med én vidensbase
eller ~1.125 DKK/md. faktureret månedligt
Til virksomheder med voksende vidensbaser
eller ~3.375 DKK/md. faktureret månedligt
| Funktion | Pilot | Professional | Enterprise |
|---|---|---|---|
| RAG-chatbot (1 bot) | |||
| Dokumentindtagelse & opdeling | |||
| Kildehenvisninger | |||
| Flere sprog (DK/SE/NO/EN) | |||
| Embed-widget (1 site) | |||
| Op til 1.000 dokumenter | |||
| Op til 10.000 dokumenter | — | ||
| Flere embed-widgets | — | ||
| Samtalehistorik & analyse | — | ||
| Brugerdefinerede opdelingsstrategier | — | ||
| Ubegrænsede dokumenter | — | — | |
| SSO / adgangskontrol | — | — | |
| Dedikeret account manager | — | — | |
| SLA-garanti | — | — |
Alle priser er i DKK ekskl. moms. Pilot faktureres månedligt. Professional og Enterprise faktureres årligt.
ChatGPT bruger sin generelle viden til at svare. En RAG-chatbot bruger jeres specifikke dokumenter og data. Den kan svare præcist om jeres virksomhed med kildehenvisning. ChatGPT kan ikke det — og vil ofte producere et overbevisende men forkert svar.