Een RAG-kennisbank die je AI-tools via MCP bereiken.
RAG as a service voor de documentatie en runbooks van je team. CoFix knipt elke pagina in chunks, maakt de embeddings en legt de links, en stelt alles via MCP beschikbaar aan Claude, Claude Code, ChatGPT, GitHub Copilot en Gemini CLI. Het ophalen gebeurt met graaf- en vectorzoeken en blijft binnen de toegang van elk lid. Er is geen pipeline, vectordatabase of MCP-server om te beheren.
Zo werkt het
Van een pagina die je team schrijft tot een antwoord in hun AI-tool.
Schrijven
Je team bewaart zijn documentatie en runbooks in kennisbanken. Nieuwe pagina's die niet door de controle tegen het profiel komen, wachten in de reviewwachtrij.
Indexeren
De app knipt elke pagina in chunks, maakt de embeddings en slaat de links tussen pagina's op als graaf. Er is geen pipeline om in te richten.
Verbinden jij
Elk lid voegt een eigen MCP-connector toe aan Claude, Claude Code, ChatGPT, GitHub Copilot of Gemini CLI, ingelogd als zichzelf.
Ophalen
Terwijl de AI-tool werkt, zoekt hij via MCP met graaf- en vectorzoeken en krijgt hij alleen terug wat dat lid kan zien.
Antwoorden
Het antwoord komt uit je documenten, tickets en werklog, en elke actie van de tool staat in het activiteitenlog.
RAG vs MCP
MCP verbindt. RAG vindt het antwoord.
De twee worden vaak vergeleken, maar ze doen iets anders. Via MCP bereikt je AI-tool de kennisbank, en met RAG vindt de kennisbank de juiste passages voor die tool. In CoFix krijg je ze samen.
Bekijk Knowledge BaseRAG as a service
Een RAG-systeem, zonder er zelf een te bouwen.
Chunking en embeddings
De app knipt je pagina's zelf in chunks en maakt de embeddings, dus er is geen ingestion-pipeline om te schrijven of draaiende te houden.
Geen vectordatabase om te beheren
Documenten, de links ertussen en hun embeddings worden samen opgeslagen als graaf, dus er is geen aparte opslag om te hosten.
Een gehoste MCP-server
Eén MCP-connector per lid voor Claude, ChatGPT, GitHub Copilot of Gemini CLI, en voor andere AI-tools die MCP ondersteunen.
Ophalen binnen ieders toegang
Elke connector logt in als het bijbehorende lid en doorzoekt alleen de kennisbanken die dat lid kan lezen, met toegang per team.
Alleen gecontroleerde pagina's
Nieuwe pagina's die niet door de automatische controle komen, wachten op review en worden niet opgehaald tot iemand ze goedkeurt.
Antwoorden die je kunt herleiden
Elke actie van de assistent, in de app en via MCP, staat in het activiteitenlog naast de bewerkingen van mensen.
Kwaliteit van het ophalen
Knowledge Health toont ophaalacties, beoordelingen en matchkwaliteit per document, en de zoekopdrachten zonder resultaat.
Actualiteit
Verouderde pagina's die nog worden gelezen, worden gesignaleerd en gerangschikt op leesaantal, met een knop die de assistent vraagt een bijgewerkte versie op te stellen.
Verdieping
Van dichterbij.
Graaf-RAG
Graaf- en vectorzoeken in dezelfde zoekopdracht.
Documenten en de links ertussen worden opgeslagen als graaf, met embeddings voor betekenis. Eén zoekopdracht vindt pagina's op wat ze betekenen en op hoe ze samenhangen, zodat een vraag over een deploy ook de gelinkte runbooks vindt. Je AI-tools krijgen via MCP hetzelfde ophalen: graaf-RAG en vector-RAG in één.
- Vectorzoeken op betekenis
- Graafzoeken op relatie
- Beide in één zoekopdracht
- Hetzelfde ophalen in de app en via MCP
Eerst gecontroleerd, dan opgehaald
Een concept dat niet door de controle komt, belandt nooit in een antwoord.
Elke kennisbank heeft een doel en de secties die elke pagina moet beantwoorden. Een nieuwe pagina die er één leeg laat, zoals een runbook zonder rollbackstappen, wacht in de reviewwachtrij en blijft buiten zoeken en ophalen tot iemand ze goedkeurt. Dat wordt belangrijker zodra AI-agents pagina's niet alleen lezen, maar ook schrijven.
- Verplichte secties per kennisbank
- Pagina's die niet voldoen, worden niet opgehaald
- Laat desgewenst elke nieuwe pagina tegenhouden
- Lees-, schrijf- of volledige toegang per team
RAG-evaluatie
Bekijk op welke documenten je AI-tools leunen.
Knowledge Health laat zien hoe elk document het doet als bron: hoe vaak het wordt opgehaald, hoe mensen de antwoorden beoordelen die het geeft en hoe goed het aansluit op de vragen. Je ziet de zoekopdrachten zonder resultaat, zodat je weet wat je als volgende schrijft, en de verouderde pagina's die nog worden gelezen, zodat je weet wat je eerst bijwerkt.
- Ophaalacties, beoordelingen en matchkwaliteit per document
- Zoekopdrachten zonder resultaat, gerangschikt op frequentie
- Verouderde pagina's die nog worden gelezen, gerangschikt op leesaantal
- Een gezondheidsscore die je kunt herberekenen wanneer je wilt
Koppelt met
De assistenten die je team al gebruikt.
Vragen
Veelgestelde vragen over RAG.
Wat is een RAG-kennisbank?
Een kennisbank waaruit AI-modellen informatie ophalen voordat ze antwoorden, zodat hun antwoorden uit je eigen documenten komen in plaats van uit wat het model onthouden heeft. In CoFix is elke kennisbank er één: de app knipt pagina's in chunks, maakt de embeddings en legt de links, en je AI-tools doorzoeken ze via MCP.
Wat is een RAG-MCP-server?
Een MCP-server die het ophalen doet: een AI-tool stuurt er via het Model Context Protocol een vraag naartoe en krijgt de passages terug die de vraag beantwoorden. CoFix draait er een voor je kennisbanken, met één connector per lid, dus je hoeft niets te hosten.
Wat is het verschil tussen RAG en MCP?
RAG, retrieval augmented generation, betekent dat een model je eigen content opzoekt voordat het antwoordt. MCP, het Model Context Protocol, is de open standaard waarmee een AI-tool data en tools bereikt. Hier werken ze samen: MCP verbindt je AI-tool met de kennisbank, en de kennisbank doet het ophalen, zodat je RAG krijgt zonder het zelf te bouwen.
Vervangt MCP RAG?
Nee. MCP is een manier waarop een AI-tool data bereikt, en het bepaalt niet welk deel van die data een vraag beantwoordt. Zit er achter een MCP-server geen ophaalsysteem, dan moet de AI-tool zelf hele documenten binnenhalen en doorzoeken. RAG is het ophalen, en MCP is de weg waarlangs je AI-tools erbij komen.
Hebben we een vectordatabase nodig?
Nee. Documenten, de links ertussen en hun embeddings worden samen opgeslagen in de kennisbank en tegelijk doorzocht met graaf- en vectorzoeken. Je hoeft geen vectordatabase, embedding-pipeline of MCP-server te beheren.
Wat is graaf-RAG?
Ophalen dat niet alleen de betekenis van documenten volgt, maar ook de links ertussen. Vectorzoeken vindt de passages die hetzelfde betekenen als de vraag, en graafzoeken vindt de pagina's die ermee verbonden zijn. CoFix doet beide in één zoekopdracht, in de app en via MCP.
Kan Claude Code onze kennisbank gebruiken voor RAG?
Ja. Voeg je MCP-connector toe aan Claude Code en Claude Code doorzoekt tijdens het werk je kennisbanken, tickets en werklog, ingelogd als jij. Dat werkt net zo in Claude, ChatGPT, GitHub Copilot en Gemini CLI.
Kan een AI-tool documenten zien die de gebruiker zelf niet kan zien?
Nee. Elke connector logt in als het bijbehorende lid en zoekt met de toegang van dat lid: lees-, schrijf- of volledige toegang per team en per kennisbank. Pagina's die op review wachten, worden niet opgehaald tot iemand ze goedkeurt.
Welke AI-tools kunnen koppelen?
Claude, Claude Code, ChatGPT, GitHub Copilot en Gemini CLI, plus andere AI-tools die MCP ondersteunen, de open standaard die de connectors spreken.
Wat kost RAG via MCP?
Het is onderdeel van Knowledge Base: een licentie voor elke persoon die toegang heeft tot Knowledge Base, plus opslag per gigabyte. De bedragen staan op de prijspagina.
Onderdeel van één werkruimte