# MCP-server gjør coreAI til et felles retrieval-lag for AI-agenter

MCP-serveren lar eksterne AI-agenter koble seg til coreAI og hente svar fra den samme kvalitetssikrede kunnskapsbasen som chatwidgeten bruker. Du trenger ikke å duplisere innhold, bygge en ny vektorindeks eller la agenten skrape nettsider — assistenten din blir et standardisert retrieval-endepunkt som hvilken som helst MCP-kompatibel klient kan snakke med.

## Hva MCP-serveren eksponerer

MCP-serveren tilbyr ett verktøy i dag: et semantisk søk i kunnskapsbasen til en valgt assistent. Agenten sender en naturlig-språk-spørring, og serveren kjører den samme søketjenesten som ligger bak chatten. Resultatet er en strukturert tekstkontekst med de mest relevante utdragene fra kildene assistenten allerede er fylt med — produkter, dokumenter, nettinnhold, FAQ-er og det andre du har importert.

Fordi søket går gjennom samme tjeneste som chatten, gjelder også de samme reglene for kildehåndtering og rangering. Agenten får aldri tilgang til rådata som ligger utenfor det assistenten er konfigurert for, og den kan ikke omgå filtre eller publiseringsstatus som er satt på kildenivå.

## Slik kobler en ekstern agent seg til

MCP-endepunktet ligger på `/mcp/assistant` i coreAI-portalen og bruker standard MCP-transport over HTTP. Klienten autentiserer med et Sanctum-token i `Authorization`-headeren og oppgir hvilken assistent den skal snakke med via `X-Assistant-Id` — assistentens offentlige ID. Etter handshake kan agenten kalle søkeverktøyet med en spørrestreng og få tilbake formattert kontekst klar til å sendes inn i en LLM-prompt.

Enhver MCP-klient kan koble seg til på denne måten: Claude Desktop, Cursor, custom-byggde dev-agenter, interne orkestreringsverktøy eller en LangChain- eller LlamaIndex-basert pipeline. Du trenger ingen coreAI-spesifikk SDK; protokollen er åpen og leverandørnøytral.

Den raskeste veien inn er å kopiere konfigurasjonen direkte fra «Kode»-fanen i coreAI-portalen og lime den inn i MCP-klientens config — endepunkt, token og assistent-ID er allerede satt riktig, og klienten plukker opp serveren ved neste oppstart.

## Tilgang avgrenses per assistent, kilde og klient

Tilgangsmodellen er trelaget. Hvert token tilhører en bruker eller systemkonto, hvert MCP-kall peker på én bestemt assistent, og hver assistent er konfigurert mot et eksplisitt sett kilder. Det betyr at en intern utvikleragent kan få tilgang til hele produktkatalogen, samtidig som en kundespesifikk integrasjon bare ser den ene kunnskapsbasen som er bygget for kunden.

Assistenter som er beskyttet bak en widget-callback eksponeres ikke via MCP. Det forhindrer at en agent kan omgå autentiseringskontroller som widgeten håndhever for sluttbrukere. For de fleste B2B-oppsett er dette ikke en begrensning — de aller fleste assistenter er tilgjengelige direkte for autentiserte tokens, og adgangen styres på vanlig måte gjennom hvilke assistenter brukeren har lov til å se.

## Når MCP er riktig valg fremfor chat-API-et

Velg MCP når en eksisterende AI-agent allerede har en samtaleløkke og bare trenger riktig kontekst. Agenten tar seg av spørsmålsformulering, prompt-strategi og brukerinteraksjon — coreAI bidrar utelukkende med presise svar fra organisasjonens egne data. Det er passer for IDE-assistenter som skal hjelpe utviklere med interne API-er, for kundeservice-agenter som henter produktinformasjon midt i en samtale, eller for autonome arbeidsflyter som tar beslutninger basert på ferske dokumenter.

Velg chat-API-et når du selv vil bygge hele samtaleopplevelsen — egen UI, egen sesjonshåndtering, egen modell- og prompt-konfigurasjon. Velg søke-API-et når du bare trenger treff og fasetter uten et generert svar. MCP er det riktige laget når den genererende komponenten allerede finnes på utsiden, og coreAI skal være retrieval-motoren bak.

## Kombiner MCP, chat og søk i samme produkt

Et produkt kan trenge flere integrasjonsflater samtidig. En SaaS-leverandør kan tilby chatwidgeten til sluttbrukere, bygge søke-API-et inn i sitt admin-panel og samtidig la egne AI-agenter koble seg til via MCP for automatisering — alt drevet av den samme assistenten og det samme kildeoppsettet. En endring i kunnskapsbasen slår gjennom på alle tre overflater i samme øyeblikk, uten at du må vedlikeholde tre separate datasynkroniseringer.

Det er styrken i en delt retrieval-arkitektur: én sannhet for innholdet, mange kanaler ut. MCP er bare den nyeste av disse kanalene — og den som lar resten av AI-økosystemet snakke med coreAI på sine egne premisser.