MCP-servern låter externa AI-agenter ansluta till coreAI och hämta svar från samma kvalitetssäkrade kunskapsbas som chattwidgeten använder. Du behöver inte duplicera innehåll, bygga ett nytt vektorindex eller låta agenten skrapa webbsidor — din assistent blir en standardiserad retrieval-endpoint som vilken MCP-kompatibel klient som helst kan tala med.
#Vad MCP-servern exponerar
MCP-servern erbjuder ett verktyg idag: en semantisk sökning i kunskapsbasen för en vald assistent. Agenten skickar en naturlig språkfråga, och servern kör samma söktjänst som ligger bakom chatten. Resultatet är en strukturerad textkontext med de mest relevanta utdragen från källorna assistenten redan är fylld med — produkter, dokument, webbinnehåll, FAQ:er och det andra du har importerat.
Eftersom sökningen går genom samma tjänst som chatten gäller också samma regler för källhantering och rangordning. Agenten får aldrig åtkomst till rådata som ligger utanför det assistenten är konfigurerad för, och kan inte kringgå filter eller publiceringsstatus som är satt på källnivå.
#Så ansluter en extern agent
MCP-endpointen ligger på /mcp/assistant i coreAI-portalen och använder standard MCP-transport över HTTP. Klienten autentiserar med en Sanctum-token i Authorization-headern och anger vilken assistent den ska tala med via X-Assistant-Id — assistentens publika ID. Efter handshake kan agenten anropa sökverktyget med en söksträng och få tillbaka formaterad kontext redo att skickas in i en LLM-prompt.
Vilken MCP-klient som helst kan ansluta så här: Claude Desktop, Cursor, custom-byggda dev-agenter, interna orkestreringsverktyg eller en LangChain- eller LlamaIndex-baserad pipeline. Du behöver ingen coreAI-specifik SDK; protokollet är öppet och leverantörsneutralt.
Den snabbaste vägen in är att kopiera konfigurationen direkt från "Kod"-fliken i coreAI-portalen och klistra in den i MCP-klientens config — endpoint, token och assistent-ID är redan satta korrekt, och klienten plockar upp servern vid nästa uppstart.
#Åtkomst avgränsas per assistent, källa och klient
Åtkomstmodellen är trelagrad. Varje token tillhör en användare eller systemkonto, varje MCP-anrop pekar på en bestämd assistent, och varje assistent är konfigurerad mot en explicit uppsättning källor. Det betyder att en intern utvecklaragent kan få åtkomst till hela produktkatalogen, samtidigt som en kundspecifik integration bara ser den enda kunskapsbas som är byggd för kunden.
Assistenter som är skyddade bakom en widget-callback exponeras inte via MCP. Det förhindrar att en agent kan kringgå autentiseringskontroller som widgeten upprätthåller för slutanvändare. För de flesta B2B-uppsättningar är det inte en begränsning — de allra flesta assistenter är tillgängliga direkt för autentiserade tokens, och åtkomsten styrs på vanligt sätt genom vilka assistenter användaren har rätt att se.
#När MCP är rätt val framför chatt-API:et
Välj MCP när en befintlig AI-agent redan har en samtalsloop och bara behöver rätt kontext. Agenten tar hand om frågeformulering, prompt-strategi och användarinteraktion — coreAI bidrar uteslutande med precisa svar från organisationens egna data. Det passar för IDE-assistenter som ska hjälpa utvecklare med interna API:er, för kundtjänstagenter som hämtar produktinformation mitt i ett samtal, eller för autonoma arbetsflöden som tar beslut baserat på färska dokument.
Välj chatt-API:et när du själv vill bygga hela samtalsupplevelsen — eget UI, egen sessionshantering, egen modell- och prompt-konfiguration. Välj sök-API:et när du bara behöver träffar och facetter utan ett genererat svar. MCP är rätt lager när den genererande komponenten redan finns på utsidan, och coreAI ska vara retrieval-motorn bakom.
#Kombinera MCP, chatt och sökning i samma produkt
En produkt kan behöva flera integrationsytor samtidigt. En SaaS-leverantör kan erbjuda chattwidgeten till slutanvändare, bygga in sök-API:et i sin admin-panel och samtidigt låta egna AI-agenter ansluta via MCP för automatisering — allt drivet av samma assistent och samma källuppsättning. En ändring i kunskapsbasen slår igenom på alla tre ytor i samma ögonblick, utan att du behöver underhålla tre separata datasynkroniseringar.
Det är styrkan i en delad retrieval-arkitektur: en sanning för innehållet, många kanaler ut. MCP är bara den senaste av dessa kanaler — och den som låter resten av AI-ekosystemet tala med coreAI på sina egna villkor.