Byg din egen personlige RAG: chat med dine egne dokumenter (ingen kode)

RAG — Retrieval-Augmented Generation — er den tekniske betegnelse for »lad AI bruge mine dokumenter til at besvare mine spørgsmål«. Frem til 2024 var det en funktion, som kun udviklere havde adgang til. I 2026 findes der fremragende no-code-løsninger, som tager femten minutter at sætte op og leverer resultater, der kan konkurrere med specialbyggede systemer.

Denne artikel gennemgår tre no-code-veje til en personlig RAG, hvornår du bør bruge hver af dem, og de designvalg, der adskiller en nyttig RAG fra en frustrerende. Målet er ikke »upload alt«. Målet er at skabe en afgrænset, kildeunderbygget assistent, hvis svar du kan efterprøve.

En personlig RAG er kun så sikker som de dokumenter, du uploader, og den tjeneste, der gemmer dem. Upload ikke kontrakter, kundedata, HR-dokumenter, kildekode eller reguleret materiale, medmindre værktøjet, kontoen, indstillingerne for opbevaring og virksomhedens politik tillader det.

Hvad “personlig RAG” faktisk betyder

En personlig RAG er en chatgrænseflade, hvor:

1. Du uploader dine egne dokumenter (PDF’er, Word-dokumenter, tekst, websider og transskriptioner).
2. Systemet indekserer dem, så der kan søges i dem.
3. Når du stiller et spørgsmål, henter systemet de mest relevante tekstudsnit fra dine dokumenter og sender dem til en LLM sammen med dit spørgsmål.
4. LLM’en udarbejder et svar, der er underbygget af dine dokumenter og forsynet med kildehenvisninger.

Fordelen i forhold til almindelig ChatGPT eller Claude er, at modellen bruger dine konkrete dokumenter, ikke sine træningsdata. Det betyder:

• Svarene er kildeunderbyggede — hver påstand er knyttet til en kilde.
• Modellen kan besvare spørgsmål om indhold, den aldrig har set før (dine interne dokumenter, nye artikler og nicheviden).
• Risikoen for hallucinationer falder markant ved spørgsmål inden for området.

Begrænsningen er, at alt, der ikke findes i dine dokumenter, ligger uden for området. Systemet vil enten sige »Jeg har ikke den oplysning« eller — værre — falde tilbage på sine træningsdata og muligvis hallucinere.

De tre no-code-veje

I 90% af brugsscenarierne er én af disse tre den rigtige løsning i 2026, hvilket gør valget enkelt:

Vej 1: NotebookLM (den nemmeste)

Vi har allerede dækket NotebookLM i vores begynderartikel. Her er en genopfriskning:

• Opret en notebook på notebooklm.google.com.
• Upload op til ~50 kilder (PDF’er, Docs, websider, YouTube og lyd).
• Chat med notebooken — alle svar er kildeunderbyggede og forsynet med henvisninger.
• Audio Overview genererer et resumé i podcastformat.

Styrker: Nemmest at sætte op, bedst kildeunderbygning, svar med henvisninger, og Audio Overview er reelt nyttig.

Begrænsninger: Begrænsede integrationer (ingen automatisk synkronisering med dine dokumenter og manuel genupload, når kilder ændres). Begrænsning på antallet af kilder. Kan ikke integreres andre steder.

Bedst til: Selvstudier, dokumentanalyse, research og projektviden — når dine kilder udgør et fast sæt.

Vej 2: Claude Projects (den mest fleksible)

Claudes Projects-funktion giver dig mulighed for at oprette en mappe med:

• Tilpassede instruktioner til projektets adfærd.
• Vidensfiler (uploadede dokumenter, som assistenten kan henvise til).
• Alle samtaler, du har inden for projektet.

Styrker: Bedre samtalekvalitet end NotebookLM (takket være Claudes skriveevne), mere fleksibel konfiguration af adfærden og bedre egnet til løbende arbejde.

Begrænsninger: Understøtter færre kildetyper (primært tekst, PDF’er og kode). Ingen indbygget hentning fra nettet. Manuel genupload, når dokumenter ændres.

Bedst til: En »projektvidensbase«, som du vender tilbage til igen og igen. Personlige researchområder. Domænespecifikke assistenter (juridiske, tekniske eller til intern virksomhedsviden).

Vej 3: En low-code-RAG-pipeline (den mest effektive)

En specialtilpasset opsætning med en no-code-workflowplatform (n8n, Make) eller et low-code-værktøj (Langflow, Flowise). LangChain er selv et code-first-framework, ikke et no-code-værktøj — men Langflow og Flowise bygger på lignende byggeblokke med en visuel editor. Uanset hvad sammensætter du selv RAG-pipelinen:

1. Indlæsning: automatisk synkronisering fra dine kilder (Google Drive, Notion, en mappe eller en database).
2. Chunking og embedding: opdel dokumenter, og opret vektorembeddings.
3. Vektorlager: Pinecone, Qdrant, Weaviate eller selvhostet Chroma.
4. Retrieval: semantisk søgning returnerer relevante tekstudsnit for hver forespørgsel.
5. Generering: tekstudsnittene og forespørgslen sendes til LLM’en.
6. Brugerflade: chat via n8ns webhook og en frontend eller via et værktøj som Open WebUI.

Styrker: Fuld kontrol. Automatisk dokumentsynkronisering. Tilpasset retrieval-logik. Kan integreres overalt.

Begrænsninger: Tager timer, ikke minutter, at sætte op. Kræver løbende vedligeholdelse. Du skal forstå chunking, embedding og retrieval-kvalitet.

Bedst til: Vidensbaser til teams eller afdelinger. Kundevendte chatbots. Alt, hvor kilderne ændres ofte, eller systemet skal integreres med andre værktøjer.

Sådan vælger du mellem de tre

En enkel tommelfingerregel:

Vælg NotebookLM, hvis: kilderne er stabile, du vil være i gang på 15 minutter, og anvendelsen er studie eller analyse (ikke integration i andre arbejdsgange).

Vælg Claude Projects, hvis: du ønsker en vedvarende assistent til et løbende fagområde (f.eks. “alt om vores overholdelse af europæiske skatteregler”), du prioriterer samtalekvalitet og allerede bruger Claude.

Vælg en tilpasset n8n/LangChain-løsning, hvis: kilderne ændres ofte, du har brug for automatisk synkronisering, du vil integrere chatten i et andet værktøj eller en app, eller du bygger løsningen til et team.

Trinvis opbygning med Claude Projects

Vi har allerede gennemgået NotebookLM separat. Lad os derfor bygge en RAG med Claude Projects, som er et passende mellemtrin for de fleste brugere på mellemniveau.

Trin 1: Opret projektet. Klik på Projects → New Project på claude.ai. Navngiv det efter fagområdet (f.eks. “Assistent til overholdelse af EU-skatteregler”).

Trin 2: Skriv instruktionerne. Det er her, størstedelen af værdien skabes. Her er en pålidelig skabelon:

You are a [domain] assistant for [your role/team]. Your job is to answer questions grounded in the documents I've uploaded as knowledge.

Always:
- Cite the specific document and section your answer comes from.
- Mark anything you are inferring with [my inference].
- Say "I don't have information about that" when the knowledge files don't cover the question — never invent or fall back to general knowledge unless I explicitly ask you to.

When I ask:
- A factual question: quote the specific passage.
- A how-to question: produce a step-by-step answer with references.
- A comparison: produce a table where helpful.
- An open-ended question: structure your answer with clear sections.

If documents contradict each other: surface the contradiction explicitly.

If a document is outdated (older than 2 years): mention this when citing.

Trin 3: Upload dokumenter. Klik på “Add knowledge”, og upload dine PDF’er, Word-dokumenter og tekstfiler. Op til nogle få dusin dokumenter fungerer godt; derefter begynder kvaliteten at falde.

Følg disse anbefalinger:

• Foretræk rene, tekstbaserede PDF’er frem for scannede dokumenter.
• Opdel meget lange PDF’er, hvis de dækker flere emner. Hentningen fungerer bedre med fokuserede dokumenter.
• Angiv kontekst i filnavnet. “2026-04-tax-guidance-Estonia.pdf” er bedre end “document1.pdf.” Claude kan bruge filnavnet som kontekst.
• Undgå dubletter. Tre versioner af samme dokument gør hentningen mindre pålidelig.

Foretag en hurtig kildekontrol før upload:

1. Hvem ejer dette dokument?
2. Indeholder det personoplysninger, kundedata, loginoplysninger, kontrakter, helbredsoplysninger eller fortrolige priser?
3. Er det aktuelt nok til at danne grundlag for svar?
4. Er det en autoritativ kilde eller blot et ufærdigt notat eller debatindlæg?
5. Bør kilden placeres i en anden RAG, fordi målgruppen eller adgangsrettighederne er forskellige?

Den tilhørende skabelon til kildekontrol, som artiklen linker til, indeholder en enkel tabel til denne gennemgang.

Gør adgangsgrænsen tydelig

Personlig RAG fejler ofte socialt, før den fejler teknisk. Hentningen kan være præcis, men den forkerte person kan få adgang til den forkerte kilde. Afgræns hver RAG efter målgruppe og adgangsrettigheder:

Hvis to målgrupper ikke bør kunne se den samme kilde, bør de heller ikke dele den samme RAG. I et no-code-værktøj er adskillelse efter projekt eller notebook som regel den enkleste adgangsmodel.

Trin 4: Test. Stil et spørgsmål, du kender svaret på. Kontrollér, at svaret bygger på det rigtige dokument og henviser til det. Hvis ikke, skal du forbedre instruktionerne eller dokumenterne.

Trin 5: Brug løsningen. Alle samtaler, du starter i projektet, bruger dokumenterne som grundlag. Samtalerne gemmes i projektet, så du kan vende tilbage til dem.

Praktisk eksempel: en personlig assistent til juridiske spørgsmål

Forestil dig, at du ønsker en personlig RAG til spørgsmål om estisk ansættelsesret, GDPR og generel virksomhedscompliance.

Kilder:

• Den officielle estiske lov om ansættelseskontrakter (PDF fra Riigi Teataja).
• Den fulde GDPR-tekst (PDF fra EUR-Lex).
• Vejledninger fra ICO og det estiske datatilsyn.
• Dine tidligere kontrakter og politikdokumenter.
• Nogle få juridiske blogindlæg af høj kvalitet, der sammenfatter almindelige problemstillinger.

Instruktioner (i projektet):

You are a legal-compliance assistant for a 50-person Estonian B2B SaaS company. Your job is to answer questions grounded in Estonian employment law, GDPR, and our internal policies.

Always:
- Cite the specific article, section, or document you're referencing.
- Mark anything you are inferring or extrapolating with [my inference].
- For GDPR questions, distinguish between hard requirements and best practices.
- For Estonian-specific employment questions, default to Estonian law unless I ask about another jurisdiction.

Always end with:
"This is informational, not legal advice. For binding interpretations, consult a qualified Estonian employment lawyer."

If a question would benefit from a lawyer's review: say so explicitly.

Nu har du en personlig assistent, der besvarer spørgsmål om ansættelsesret og GDPR på grundlag af de faktiske kildedokumenter. Den erstatter ikke en advokat — men for de 80% af spørgsmålene, der har klare svar i kilderne, er den væsentligt hurtigere end selv at gennemgå reglerne.

Almindelige faldgruber, og hvordan du undgår dem

Her er nogle konkrete faldgruber ved personlig RAG:

Faldgrube 1: forældede dokumenter. Du har uploadet 2023-versionen af en regel, men 2026-versionen er blevet ændret. RAG’en svarer loyalt ud fra det forældede materiale.

Løsning: Sæt datoer i dokumenternes filnavne. Gennemgå og udskift dem regelmæssigt. Til kilder, der opdateres ofte, bør du overveje en RAG på en workflowplatform med automatisk synkronisering.

Faldgrube 2: kilder af lav kvalitet. Du har uploadet SEO-spamartikler, som virker autoritative, men indeholder fejl. RAG’en bruger dem i sine svar.

Løsning: Udvælg kilderne konsekvent og kritisk. Tre fremragende kilder er bedre end ti middelmådige. Kontrollér hver kildes troværdighed før upload.

Faldgrube 3: gradvis udvidelse af anvendelsesområdet. RAG’en var beregnet til “estisk ansættelsesret”, men du har også tilføjet generelle HR-artikler, forhandlingsråd og nogle kontraktskabeloner. Nu er hentningen mindre præcis, og svarene blander juridiske kilder med debatindlæg.

Løsning: Brug ét projekt pr. afgrænsning. Opret separate projekter til separate fagområder.

Faldgrube 4: spørgsmål uden for korpuset. Brugerne — eller du selv — stiller spørgsmål, som dokumenterne ikke dækker. Modellen falder tilbage på sine træningsdata og hallucinerer.

Løsning: Giv tydelige instruktioner (“opfind aldrig noget — sig, at du ikke har oplysningerne”). Test grænsetilfælde. Overvej at konfigurere modellen til at afvise at falde tilbage på generel viden.

Faldgrube 5: chunking har betydning, selv i no-code. Moderne no-code-værktøjer håndterer chunking automatisk, men hentningskvaliteten falder, hvis dokumenterne er formateret usædvanligt, f.eks. med tabeller, spalter eller kodeblokke.

Løsning: Forbehandl materialet, hvor det er muligt. Konvertér komplekse PDF’er til ren Markdown før upload. Opdel meget lange dokumenter i fokuserede afsnit.

Test af nægelse, ikke kun hentning

De fleste tester en RAG ved at stille spørgsmål, som de ved, at kilderne besvarer. Det beviser kun, at standardsituationen fungerer. Test også spørgsmål, som korpuset ikke bør besvare.

Disse test er forskellen mellem en dokumentassistent og en selvsikker svargenerator med en dokumentmappe i nærheden.

Ud over no-code: hvornår du bør gå videre

På et tidspunkt når en no-code-RAG sine grænser, og du har brug for en mere avanceret løsning. Typiske tegn er:

Kildemængde. Du har 500+ dokumenter, og kvaliteten falder med de grundlæggende uploadmekanismer.

Automatisk synkronisering. Dine dokumenter opdateres konstant — f.eks. Notion-sider, Google Docs, Slack-beskeder og interne wikier — og manuel genupload er ikke holdbar.

Integreret chat. Brugerne skal tale med RAG’en i din app, på Slack eller på dit website — ikke i Claudes brugergrænseflade.

Særlige hentningsbehov. Du skal filtrere hentningen efter metadata som afdeling, dokumenttype eller dato, bruge hybridsøgning (semantisk søgning + nøgleord) eller omrangere resultaterne.

Omkostningsoptimering. Brugen er så omfattende, at styring af tokenomkostningerne bliver vigtig.

I alle disse tilfælde har du brug for en tilpasset RAG. Næste trin er enten:

• n8n med vektorlager-noder. No-code med betydelig kontrol.
• LangChain, LlamaIndex eller Haystack. Python-biblioteker: rigtig kode, men veldokumenteret.
• En hostet RAG-tjeneste (Vectara, Unstructured, Ragie, Pinecone’s RAG-as-a-service). Mindre kontrol og mindre arbejde.

Vi har en særskilt avanceret artikel om RAG i produktion. Indtil da skal du kende grænsen og migrere, når du når den.

Vaner med en langsigtet effekt

Nogle vaner gør personlig RAG mere nyttig over tid:

Udvælg frem for at fylde på. Det er fristende at uploade alt. Men mere er ikke bedre; bedre er bedre. Tre fremragende kilder besvarer de fleste spørgsmål bedre end 50 middelmådige kilder.

Dokumentér afgrænsningen. Skriv ned, hvad RAG’en skal bruges til, og hvad der ligger uden for dens område. Hold fast i det. Modstå fristelsen til at udvide uden først at overveje konsekvenserne.

Byg små, separate RAG’er til separate fagområder. Én RAG til “personlig jura”, en anden til “min virksomheds produktviden” og en tredje til “materiale fra min kandidatuddannelse”. Et mindre område giver bedre svar.

Gentest regelmæssigt. Stil én gang om måneden RAG’en de fem spørgsmål, som du oprindeligt testede. Hvis kvaliteten har ændret sig, fordi der er tilføjet nye dokumenter eller modellerne har ændret sig, skal du registrere det og opdatere løsningen.

Kombinér med generel AI. Til spørgsmål, der både omfatter RAG’ens område og bredere viden, kan RAG’en levere den kildeunderbyggede del af svaret. Brug derefter en generel AI til den bredere kontekst. Det er en arbejdsgang med flere værktøjer.

En bemærkning om omkostninger

NotebookLM er gratis inden for generøse brugsgrænser. Claude Projects kræver et Claude Pro- / Max-abonnement (~$20-200/måned afhængigt af niveau). En tilpasset n8n-/vektorlagerløsning koster $10-100/måned afhængigt af mængden, plus den tid du bruger på at bygge og vedligeholde den.

For de fleste individuelle brugere svarer omkostningen ved en personlig RAG stort set til ét AI-abonnement plus en minimal merudgift til lagring og API-brug. Udbyttet er størst ved gentagne spørgsmål, hvor svaret findes i en kendt samling dokumenter.

Hvilken løsning skal du vælge?

Personlig RAG er i 2026 ikke længere forbeholdt udviklere. NotebookLM giver dig en fungerende RAG på 15 minutter. Claude Projects giver dig en mere fleksibel assistent på 30. En tilpasset n8n-løsning giver dig fuld kontrol på nogle få timer.

Vælg den rigtige løsning til dit anvendelsestilfælde. Udvælg kilderne omhyggeligt. Finjustér instruktionerne. Test både hentning og afvisning. Gentag processen. Inden for en uge kan du have et værktøj, der omdanner mange dokumentopslag fra manuel søgning til et kildehenvist svar, som du kan efterprøve.

Vælg et område, hvor du regelmæssigt søger efter oplysninger i dokumenter, opret et projekt i denne uge, og bedøm det på, om svarene er kildeunderbyggede, kildehenviste, aktuelle og sikkert inden for afgrænsningen.