Eine RAG-Wissensdatenbank, die Ihre KI-Tools über MCP erreichen.
RAG as a Service für die Dokumentation und Runbooks Ihres Teams. CoFix zerlegt jede Seite in Chunks, erstellt Embeddings, verknüpft sie und stellt sie über MCP für Claude, Claude Code, ChatGPT, GitHub Copilot und Gemini CLI bereit. Der Abruf nutzt Graph- und Vektorsuche und bleibt im Rahmen der Rechte jedes Mitglieds. Sie müssen keine Pipeline, keine Vektordatenbank und keinen MCP-Server betreiben.
So funktioniert es
Von der Seite, die Ihr Team schreibt, zur Antwort in seinem KI-Tool.
Schreiben
Ihr Team pflegt seine Dokumentation und Runbooks in Wissensdatenbanken. Neue Seiten, die die Profilprüfung nicht bestehen, warten in der Review-Queue.
Indexieren
Die App zerlegt jede Seite in Chunks, erstellt Embeddings und speichert die Links zwischen den Seiten als Graph. Sie müssen keine Pipeline einrichten.
Verknüpfen Sie
Jedes Mitglied richtet seinen eigenen MCP-Konnektor in Claude, Claude Code, ChatGPT, GitHub Copilot oder Gemini CLI ein, angemeldet mit dem eigenen Konto.
Abrufen
Während das KI-Tool arbeitet, sucht es über MCP mit Graph- und Vektorsuche und bekommt nur zurück, was dieses Mitglied sehen darf.
Antworten
Es antwortet auf Basis Ihrer Dokumente, Tickets und Ihres Arbeitsprotokolls, und jede Aktion, die es ausführt, steht im Aktivitätsprotokoll.
RAG vs. MCP
MCP verbindet. RAG findet die Antwort.
Die beiden werden oft verglichen, erfüllen aber unterschiedliche Aufgaben. Über MCP erreicht Ihr KI-Tool die Wissensdatenbank, und mit RAG findet die Wissensdatenbank die passenden Textstellen dafür. In CoFix bekommen Sie beides zusammen.
Knowledge Base entdeckenRAG as a Service
Ein RAG-System, ohne eines zu bauen.
Chunking und Embeddings
Die App zerlegt Ihre Seiten selbst in Chunks und erstellt die Embeddings, sodass Sie keine Ingestion-Pipeline schreiben oder am Laufen halten müssen.
Keine Vektordatenbank zu betreiben
Dokumente, die Links zwischen ihnen und ihre Embeddings werden gemeinsam als Graph gespeichert, sodass Sie keinen separaten Speicher hosten müssen.
Ein gehosteter MCP-Server
Ein MCP-Konnektor pro Mitglied für Claude, ChatGPT, GitHub Copilot oder Gemini CLI und für andere KI-Tools, die MCP unterstützen.
Abruf mit Berechtigungsprüfung
Jeder Konnektor meldet sich als sein Mitglied an und durchsucht nur die Wissensdatenbanken, die dieses lesen darf, mit Zugriffsrechten pro Team.
Nur geprüfte Seiten
Neue Seiten, die die automatische Prüfung nicht bestehen, werden zum Review zurückgehalten und nicht abgerufen, bis jemand sie freigibt.
Nachvollziehbare Antworten
Jede Aktion des Assistenten, in der App und über MCP, steht im Aktivitätsprotokoll neben den Änderungen, die Menschen vornehmen.
Abrufqualität
Knowledge Health zeigt Abrufe, Bewertungen und Trefferqualität pro Dokument sowie die Suchen ohne Treffer.
Aktualität
Veraltete Seiten, die noch gelesen werden, werden markiert und nach Aufrufen sortiert, mit einem Button, der den Assistenten die Aktualisierung entwerfen lässt.
Im Detail
Ein genauerer Blick.
Graph-RAG
Graph- und Vektorsuche in derselben Abfrage.
Dokumente und die Links zwischen ihnen werden als Graph gespeichert, mit Embeddings für die Bedeutung. Eine Suche findet Seiten nach ihrer Bedeutung und nach ihren Verbindungen, sodass eine Frage zu einem Deploy auch die Runbooks erreicht, die damit verlinkt sind. Ihre KI-Tools bekommen über MCP denselben Abruf: Graph-RAG und Vektor-RAG in einem.
- Vektorsuche nach Bedeutung
- Graphsuche nach Beziehungen
- Beides in einer Abfrage
- Derselbe Abruf in der App und über MCP
Erst geprüft, dann abgerufen
Ein Entwurf, der die Prüfung nicht besteht, landet nie in einer Antwort.
Jede Wissensdatenbank hat einen Zweck und die Abschnitte, die jede Seite beantworten muss. Eine neue Seite, die einen davon leer lässt, etwa ein Runbook ohne Rollback-Schritte, wird in der Review-Queue zurückgehalten und taucht weder in der Suche noch im Abruf auf, bis jemand sie freigibt. Das wird umso wichtiger, sobald KI-Agenten Seiten nicht nur lesen, sondern auch schreiben.
- Pflichtabschnitte pro Wissensdatenbank
- Seiten, die durchfallen, werden nicht abgerufen
- Auf Wunsch jede neue Seite zurückhalten
- Lese-, Schreib- oder Vollzugriff pro Team
RAG-Evaluierung
Sehen Sie, auf welche Dokumente sich Ihre KI-Tools stützen.
Knowledge Health zeigt, wie gut sich jedes Dokument als Quelle schlägt: wie oft es abgerufen wird, wie Nutzer die Antworten bewerten, die es liefert, und wie gut es zu den Fragen passt. Dazu kommen die Suchen ohne Treffer, damit Sie wissen, was Sie als Nächstes schreiben sollten, und die veralteten Seiten, die noch gefragt sind, damit Sie wissen, was Sie zuerst korrigieren sollten.
- Abrufe, Bewertungen und Trefferqualität pro Dokument
- Suchen ohne Treffer, sortiert nach Nachfrage
- Veraltete Seiten, die noch gefragt sind, sortiert nach Aufrufen
- Ein Health-Score, den Sie jederzeit neu berechnen können
Verbindet sich mit
Die Assistenten, die Ihr Team schon nutzt.
Fragen
RAG-FAQ.
Was ist eine RAG-Wissensdatenbank?
Eine Wissensdatenbank, aus der KI-Modelle Inhalte abrufen, bevor sie antworten, sodass ihre Antworten aus Ihren eigenen Dokumenten stammen statt aus dem, woran sich das Modell erinnert. In CoFix ist jede Wissensdatenbank eine solche: Die App zerlegt die Seiten in Chunks, erstellt Embeddings und verknüpft sie, und Ihre KI-Tools durchsuchen sie über MCP.
Was ist ein RAG-MCP-Server?
Ein MCP-Server, der den Abruf übernimmt: Ein KI-Tool schickt ihm über das Model Context Protocol eine Frage und bekommt die Textstellen zurück, die sie beantworten. CoFix betreibt einen solchen Server für Ihre Wissensdatenbanken, mit einem Konnektor pro Mitglied, sodass Sie nichts hosten müssen.
Was ist der Unterschied zwischen RAG und MCP?
RAG, Retrieval Augmented Generation, bedeutet, dass ein Modell Ihre eigenen Inhalte nachschlägt, bevor es antwortet. MCP, das Model Context Protocol, ist der offene Standard, über den ein KI-Tool Daten und Werkzeuge erreicht. Hier arbeiten beide zusammen: MCP verbindet Ihr KI-Tool mit der Wissensdatenbank, und die Wissensdatenbank übernimmt den Abruf. So bekommen Sie RAG, ohne es selbst zu bauen.
Ersetzt MCP RAG?
Nein. Über MCP erreicht ein KI-Tool Daten, aber MCP entscheidet nicht, welcher Teil dieser Daten eine Frage beantwortet. Ein MCP-Server ohne Abruf dahinter überlässt es dem KI-Tool, ganze Dokumente zu holen und selbst zu durchsuchen. RAG ist der Abruf, und MCP ist der Weg, über den Ihre KI-Tools ihn erreichen.
Brauchen wir eine Vektordatenbank?
Nein. Dokumente, die Links zwischen ihnen und ihre Embeddings werden gemeinsam in der Wissensdatenbank gespeichert und mit Graph- und Vektorsuche zugleich durchsucht. Sie müssen weder eine Vektordatenbank noch eine Embedding-Pipeline oder einen MCP-Server betreiben.
Was ist Graph-RAG?
Ein Abruf, der neben der Bedeutung von Dokumenten auch den Links zwischen ihnen folgt. Die Vektorsuche findet die Textstellen, die dasselbe meinen wie die Frage, und die Graphsuche findet die Seiten, die mit ihnen verknüpft sind. CoFix macht beides in einer Abfrage, in der App und über MCP.
Kann Claude Code unsere Wissensdatenbank für RAG nutzen?
Ja. Fügen Sie Ihren MCP-Konnektor in Claude Code hinzu, dann durchsucht Claude Code bei der Arbeit Ihre Wissensdatenbanken, Tickets und Ihr Arbeitsprotokoll, angemeldet mit Ihrem Konto. In Claude, ChatGPT, GitHub Copilot und Gemini CLI funktioniert das genauso.
Kann ein KI-Tool Dokumente sehen, die sein Nutzer nicht sehen darf?
Nein. Jeder Konnektor meldet sich als sein Mitglied an und sucht mit dessen Rechten: Lese-, Schreib- oder Vollzugriff pro Team und pro Wissensdatenbank. Seiten, die zum Review zurückgehalten werden, werden nicht abgerufen, bis jemand sie freigibt.
Welche KI-Tools können sich verbinden?
Claude, Claude Code, ChatGPT, GitHub Copilot und Gemini CLI sowie andere KI-Tools, die MCP unterstützen, den offenen Standard, den die Konnektoren sprechen.
Was kostet RAG über MCP?
Es ist Teil von Knowledge Base: ein Seat für jede Person, die Zugriff auf Knowledge Base hat, plus Speicher pro Gigabyte. Die Zahlen stehen auf der Preisseite.
Teil eines Workspaces