En RAG-vidensbase, som dine AI-værktøjer når via MCP.
RAG som service til dit teams dokumentation og runbooks. CoFix opdeler hver side i chunks, laver embeddings, forbinder siderne og gør dem tilgængelige via MCP for Claude, Claude Code, ChatGPT, GitHub Copilot og Gemini CLI. Hentningen bruger graf- og vektorsøgning og holder sig inden for hvert medlems adgang. Der er ingen pipeline, vektordatabase eller MCP-server at drive.
Sådan virker det
Fra en side, dit team skriver, til et svar i deres AI-værktøj.
Skriv
Dit team samler sin dokumentation og sine runbooks i vidensbaser. Nye sider, der ikke består tjekket mod profilen, venter i godkendelseskøen.
Indeksér
Appen opdeler hver side i chunks, laver embeddings og gemmer links mellem siderne som en graf. Der er ingen pipeline at sætte op.
Forbind du
Hvert medlem tilføjer sin egen MCP-connector til Claude, Claude Code, ChatGPT, GitHub Copilot eller Gemini CLI, logget ind som sig selv.
Hent
Mens AI-værktøjet arbejder, søger det via MCP med graf- og vektorsøgning og får kun det tilbage, som medlemmet kan se.
Svar
Det svarer ud fra dine dokumenter, tickets og din arbejdslog, og alt, hvad det gør, står i aktivitetsloggen.
RAG vs. MCP
MCP forbinder. RAG finder svaret.
De to bliver tit sammenlignet, men de løser forskellige opgaver. MCP er måden, dit AI-værktøj når vidensbasen på, og RAG er måden, vidensbasen finder de rigtige tekstafsnit til det på. I CoFix får du dem samlet.
Udforsk Knowledge BaseRAG som service
Et RAG-system, uden at bygge et selv.
Chunking og embeddings
Appen opdeler selv dine sider i chunks og laver embeddings, så der er ingen indlæsningspipeline at skrive eller holde kørende.
Ingen vektordatabase at drive
Dokumenter, links mellem dem og deres embeddings gemmes samlet som en graf, så der er ikke noget separat datalager at hoste.
En hostet MCP-server
Én MCP-connector pr. medlem til Claude, ChatGPT, GitHub Copilot eller Gemini CLI og til andre AI-værktøjer, der understøtter MCP.
Hentning med adgangstjek
Hver connector logger ind som det medlem, den tilhører, og søger kun i de vidensbaser, vedkommende kan læse. Adgangen sættes pr. team.
Kun godkendte sider
Nye sider, der ikke består det automatiske tjek, holdes tilbage til gennemsyn og bliver ikke hentet, før nogen godkender dem.
Svar, du kan spore
Alle assistentens handlinger, i appen og via MCP, står i aktivitetsloggen ved siden af de ændringer, folk laver.
Hentningskvalitet
Knowledge Health viser hentninger, vurderinger og matchkvalitet pr. dokument samt de søgninger, der ikke fandt noget.
Aktualitet
Forældede sider, som folk stadig læser, bliver markeret og sorteret efter visninger, med en knap, der beder assistenten om et udkast til opdateringen.
I dybden
Et nærmere kig.
Graf-RAG
Graf- og vektorsøgning i samme forespørgsel.
Dokumenter og links mellem dem gemmes som en graf med embeddings for betydning. Én søgning finder sider ud fra, hvad de betyder, og hvordan de hænger sammen, så et spørgsmål om et deploy også finder de runbooks, deploy-siden linker til. Dine AI-værktøjer får den samme hentning via MCP: graf-RAG og vektor-RAG i ét.
- Vektorsøgning på betydning
- Grafsøgning på relationer
- Begge dele i én forespørgsel
- Den samme hentning i appen og via MCP
Godkendt før hentning
Et udkast, der ikke består tjekket, ender aldrig i et svar.
Hver vidensbase har et formål og de sektioner, hver side skal besvare. En ny side, der lader en af dem stå tom, fx en runbook uden rollback-trin, holdes tilbage i godkendelseskøen og uden for søgning og hentning, indtil nogen godkender den. Det betyder endnu mere, når AI-agenter både skriver og læser sider.
- Obligatoriske sektioner pr. vidensbase
- Sider, der ikke består, bliver ikke hentet
- Hold alle nye sider tilbage, hvis du foretrækker det
- Læse-, skrive- eller fuld adgang pr. team
RAG-evaluering
Se, hvilke dokumenter dine AI-værktøjer støtter sig til.
Knowledge Health viser, hvordan hvert dokument klarer sig som kilde: hvor ofte det bliver hentet, hvordan folk vurderer svarene fra det, og hvor godt det matcher spørgsmålene. Den viser de søgninger, der ikke fandt noget, så du ved, hvad der skal skrives som det næste, og de forældede sider, der stadig er efterspurgte, så du ved, hvad du skal rette først.
- Hentninger, vurderinger og matchkvalitet pr. dokument
- Søgninger uden resultat, sorteret efter efterspørgsel
- Forældede sider, der stadig er efterspurgte, sorteret efter visninger
- En sundhedsscore, du kan genberegne, når du vil
Forbinder til
De assistenter, dit team allerede bruger.
Spørgsmål
FAQ om RAG.
Hvad er en RAG-vidensbase?
En vidensbase, som AI-modeller henter fra, før de svarer, så svarene kommer fra dine egne dokumenter og ikke fra det, modellen husker. I CoFix er hver vidensbase en RAG-vidensbase: appen opdeler siderne i chunks, laver embeddings og forbinder dem, og dine AI-værktøjer søger i dem via MCP.
Hvad er en RAG-MCP-server?
En MCP-server, der står for hentning: et AI-værktøj sender den et spørgsmål via Model Context Protocol og får de tekstafsnit tilbage, der besvarer det. CoFix kører en til dine vidensbaser, med én connector pr. medlem, så der er intet, du selv skal hoste.
Hvad er forskellen på RAG og MCP?
RAG, retrieval augmented generation, betyder, at en model slår op i dit eget indhold, før den svarer. MCP, Model Context Protocol, er den åbne standard, et AI-værktøj bruger til at nå data og værktøjer. Her arbejder de sammen: MCP forbinder dit AI-værktøj med vidensbasen, og vidensbasen står for hentningen, så du får RAG uden at bygge det selv.
Erstatter MCP RAG?
Nej. MCP er en måde, et AI-værktøj når data på, og det afgør ikke, hvilken del af dataene der besvarer et spørgsmål. En MCP-server uden hentning bag sig overlader det til AI-værktøjet at hente hele dokumenter og selv søge i dem. RAG er hentningen, og MCP er måden, dine AI-værktøjer når den på.
Har vi brug for en vektordatabase?
Nej. Dokumenter, links mellem dem og deres embeddings gemmes samlet i vidensbasen og gennemsøges med graf- og vektorsøgning på én gang. Der er ingen vektordatabase, embedding-pipeline eller MCP-server, du selv skal drive.
Hvad er graf-RAG?
Hentning, der følger både dokumenternes betydning og links mellem dem. Vektorsøgning finder de tekstafsnit, der betyder det samme som spørgsmålet, og grafsøgning finder de sider, der hænger sammen med dem. CoFix gør begge dele i én forespørgsel, i appen og via MCP.
Kan Claude Code bruge vores vidensbase til RAG?
Ja. Tilføj din MCP-connector til Claude Code, så søger den i dine vidensbaser, tickets og din arbejdslog, mens den arbejder, logget ind som dig. Det virker på samme måde i Claude, ChatGPT, GitHub Copilot og Gemini CLI.
Kan et AI-værktøj se dokumenter, som brugeren ikke kan?
Nej. Hver connector logger ind som det medlem, den tilhører, og søger med medlemmets adgang: læse-, skrive- eller fuld adgang pr. team og pr. vidensbase. Sider i godkendelseskøen bliver ikke hentet, før nogen godkender dem.
Hvilke AI-værktøjer kan kobles på?
Claude, Claude Code, ChatGPT, GitHub Copilot og Gemini CLI samt andre AI-værktøjer, der understøtter MCP, den åbne standard, som connectorerne taler.
Hvad koster RAG via MCP?
Det er en del af Knowledge Base: én licens for hver person, der har adgang til Knowledge Base, plus lagerplads pr. gigabyte. Priserne står på prissiden.
Del af ét workspace