En RAG-kunskapsbas som dina AI-verktyg når via MCP.
RAG som tjänst för ditt teams dokumentation och runbooks. CoFix delar upp varje sida i chunks, skapar embeddings och länkar den, och levererar den via MCP till Claude, Claude Code, ChatGPT, GitHub Copilot och Gemini CLI. Hämtningen använder graf- och vektorsökning och håller sig inom varje medlems behörighet. Det finns ingen pipeline, vektordatabas eller MCP-server att drifta.
Så fungerar det
Från en sida som ditt team skriver till ett svar i deras AI-verktyg.
Skriv
Ditt team samlar sin dokumentation och sina runbooks i kunskapsbaser. Nya sidor som inte klarar kontrollen mot profilen väntar i granskningskön.
Indexera
Appen delar upp varje sida i chunks, skapar embeddings och lagrar länkarna mellan sidorna som en graf. Det finns ingen pipeline att sätta upp.
Koppla ihop du
Varje medlem lägger till sin egen MCP-koppling i Claude, Claude Code, ChatGPT, GitHub Copilot eller Gemini CLI, och kopplingen loggar in som den medlemmen.
Hämta
Medan AI-verktyget arbetar söker det via MCP med graf- och vektorsökning, och får bara tillbaka det som medlemmen kan se.
Svara
Det svarar utifrån dina dokument, ärenden och din arbetslogg, och varje åtgärd det gör hamnar i aktivitetsloggen.
RAG vs MCP
MCP kopplar ihop. RAG hittar svaret.
De två jämförs ofta, men de gör olika saker. MCP är vägen från ditt AI-verktyg till kunskapsbasen, och RAG är hur kunskapsbasen hittar rätt textavsnitt åt verktyget. I CoFix får du båda, färdigt ihopkopplade.
Utforska Knowledge BaseRAG som tjänst
Ett RAG-system utan att du behöver bygga ett.
Chunkning och embeddings
Appen delar själv upp dina sidor i chunks och skapar embeddings, så det finns ingen inläsningspipeline att skriva eller hålla igång.
Ingen vektordatabas att drifta
Dokument, länkarna mellan dem och deras embeddings lagras tillsammans som en graf, så det finns ingen separat lagring att drifta.
En hostad MCP-server
En MCP-koppling per medlem för Claude, ChatGPT, GitHub Copilot eller Gemini CLI, och för andra AI-verktyg som stöder MCP.
Behörighetsstyrd hämtning
Varje koppling loggar in som sin medlem och söker bara i de kunskapsbaser medlemmen får läsa, med åtkomst som ställs in per team.
Bara granskade sidor
Nya sidor som inte klarar den automatiska kontrollen hålls kvar för granskning och hämtas inte förrän någon godkänner dem.
Svar du kan spåra
Varje åtgärd från assistenten, i appen och via MCP, finns i aktivitetsloggen bredvid de ändringar som människor gör.
Hämtningskvalitet
Knowledge Health visar hämtningar, betyg och träffkvalitet per dokument, och sökningarna som inte gav någon träff.
Aktualitet
Inaktuella sidor som fortfarande läses flaggas och rangordnas efter antal läsningar, med en knapp som ber assistenten skriva ett utkast till uppdateringen.
På djupet
En närmare titt.
Graf-RAG
Graf- och vektorsökning i samma fråga.
Dokument och länkarna mellan dem lagras som en graf, med embeddings som fångar betydelsen. En och samma sökning hittar sidor både på vad de betyder och på hur de hänger ihop, så en fråga om en deploy når också de runbooks den länkar till. Dina AI-verktyg får samma hämtning via MCP: graf-RAG och vektor-RAG i ett.
- Vektorsökning på betydelse
- Grafsökning på relationer
- Båda i samma fråga
- Samma hämtning i appen och via MCP
Granskat före hämtning
Ett utkast som inte klarar kontrollen hamnar aldrig i ett svar.
Varje kunskapsbas har ett syfte och de avsnitt som varje sida måste besvara. En ny sida som lämnar ett av dem tomt, till exempel en runbook utan rollback-steg, hålls kvar i granskningskön och utanför sökning och hämtning tills någon godkänner den. Det blir viktigare när AI-agenter inte bara läser sidor utan också skriver dem.
- Obligatoriska avsnitt per kunskapsbas
- Sidor som inte klarar kontrollen hämtas inte
- Håll kvar alla nya sidor om du vill
- Läs-, skriv- eller full åtkomst per team
RAG-utvärdering
Se vilka dokument dina AI-verktyg förlitar sig på.
Knowledge Health visar hur varje dokument fungerar som källa: hur ofta det hämtas, hur användarna betygsätter svaren det ger och hur väl det matchar frågorna. Den listar sökningarna utan träffar, så att du vet vad du ska skriva härnäst, och de inaktuella sidor som fortfarande efterfrågas, så att du vet vad du ska åtgärda först.
- Hämtningar, betyg och träffkvalitet per dokument
- Sökningar utan träffar, efter efterfrågan
- Inaktuella sidor som fortfarande efterfrågas, efter antal läsningar
- En hälsopoäng som du kan räkna om när du vill
Kopplas till
Assistenterna ditt team redan använder.
Frågor
Vanliga frågor om RAG.
Vad är en RAG-kunskapsbas?
En kunskapsbas som AI-modeller hämtar ur innan de svarar, så att svaren bygger på dina egna dokument i stället för på det modellen minns. I CoFix är varje kunskapsbas en sådan: appen delar upp sidorna i chunks, skapar embeddings och länkar dem, och dina AI-verktyg söker i dem via MCP.
Vad är en RAG-MCP-server?
En MCP-server som sköter hämtning: ett AI-verktyg skickar en fråga till den via Model Context Protocol och får tillbaka de textavsnitt som besvarar den. CoFix kör en sådan för dina kunskapsbaser, med en koppling per medlem, så du har inget att drifta själv.
Vad är skillnaden mellan RAG och MCP?
RAG, retrieval augmented generation, betyder att en modell slår upp ditt eget innehåll innan den svarar. MCP, Model Context Protocol, är den öppna standard som ett AI-verktyg använder för att nå data och verktyg. Här samarbetar de: MCP kopplar ditt AI-verktyg till kunskapsbasen, och kunskapsbasen sköter hämtningen, så du får RAG utan att bygga det själv.
Ersätter MCP RAG?
Nej. MCP är ett sätt för ett AI-verktyg att nå data, men det avgör inte vilken del av datan som besvarar en fråga. En MCP-server utan hämtning bakom sig tvingar AI-verktyget att hämta hela dokument och söka igenom dem själv. RAG är hämtningen, och MCP är vägen dit för dina AI-verktyg.
Behöver vi en vektordatabas?
Nej. Dokument, länkarna mellan dem och deras embeddings lagras tillsammans i kunskapsbasen och genomsöks med graf- och vektorsökning samtidigt. Du behöver inte drifta någon vektordatabas, embedding-pipeline eller MCP-server.
Vad är graf-RAG?
Hämtning som följer både länkarna mellan dokumenten och deras betydelse. Vektorsökningen hittar de textavsnitt som betyder samma sak som frågan, och grafsökningen hittar sidorna som hänger ihop med dem. CoFix gör båda i samma fråga, i appen och via MCP.
Kan Claude Code använda vår kunskapsbas för RAG?
Ja. Lägg till din MCP-koppling i Claude Code, så söker den i dina kunskapsbaser, ärenden och din arbetslogg medan den arbetar, inloggad som du. Det fungerar likadant i Claude, ChatGPT, GitHub Copilot och Gemini CLI.
Kan ett AI-verktyg se dokument som användaren inte kan se?
Nej. Varje koppling loggar in som sin medlem och söker med den medlemmens behörighet: läs-, skriv- eller full åtkomst per team och kunskapsbas. Sidor som väntar på granskning hämtas inte förrän någon godkänner dem.
Vilka AI-verktyg kan ansluta?
Claude, Claude Code, ChatGPT, GitHub Copilot och Gemini CLI, plus andra AI-verktyg som stöder MCP, den öppna standard som kopplingarna använder.
Vad kostar RAG via MCP?
Det ingår i Knowledge Base: en licens för varje person som har tillgång till Knowledge Base, plus lagring per gigabyte. Siffrorna finns på prissidan.
Del av en arbetsyta