# API och integrationer: bygg automationer med coreAI, eller bygg in coreAI i din produkt coreAI är inte en sluten chattbot – det är en plattform med öppna gränssnitt som du kan bygga automationer runt eller bygga rakt in i dina egna produkter. Enheten som allt hänger på är **kunskapsbasen**: den håller källorna och datan, och på den bygger du en eller flera **assistenter** som är de svarande ytorna mot dina användare. Oavsett om du vill fylla en kunskapsbas med data från ditt eget system, låta den utföra åtgärder i dina verksamhetssystem, eller låta andra AI-agenter hämta svar från den, gäller samma byggstenar: ett REST-API för data och samtal, och Model Context Protocol (MCP) för att låta AI prata med verktyg och system. Allt hänger på samma kunskapsbas, samma källor och den behörighetsstyrning du redan har. ![Skiss av de tre integrationsmönstren i coreAI: skicka in data via REST-API, bygg in coreAI i egna ytor, och låt AI läsa och agera via MCP – alla mot samma kunskapsbas](/articles/sv/api-integration-patterns.svg) ## Tre sätt att integrera Grovt sett finns det tre integrationsmönster, och de kan kombineras i samma produkt: - **Skicka in data.** Du pushar strukturerad data från ditt eget system in i kunskapsbasen via REST-API:et. Där konverteras den automatiskt till coreAI:s interna format – ett representationsformat som är optimerat för AI-förståelse, inte för lagring i en databas. Dina fält mappas till semantiska enheter, texten normaliseras och berikas, och innehållet indexeras så att modellen hittar och förstår det snabbt. Du skickar alltså dina rådata som de är; coreAI gör det tunga jobbet med att göra dem till bra svarsunderlag i chatt och sökning. - **Bygg in coreAI.** Du anropar chatt- och sökendpunkterna direkt och bygger upplevelsen in i dina egna ytor – egen UI, egen sessionshantering, egen modell- och promptkonfiguration. - **Låt AI läsa och agera.** Du kopplar kunskapsbasen på dina MCP-servrar så att assistenterna kan hämta färska data och utföra åtgärder via tool calling – eller exponerar coreAI som en MCP-server andra agenter ansluter till. ## REST-API:et: fyll kunskapsbasen och bygg egna ytor REST-API:et är ingången för system som vill skicka egna data direkt in i en kunskapsbas och använda dem i chatt eller sökning. Alla anrop mot API v2 går mot `https://portal.coreai.no/api/v2` (eller stage-miljön i test), autentiseras med ett Bearer-token, och de viktigaste sökvägarna behöver både `assistantId` (assistenten som svarar – en kunskapsbas kan ha en eller flera) och `contentImporterId` (källan datan lagras i). Huvudflödet är **upsert**: ditt system skickar en `POST` varje gång ett objekt skapas eller ändras, och coreAI skapar eller uppdaterar entiteten på ett stabilt externt ID. `PATCH` skickar bara de fält som ändrats, och `DELETE` tar bort entiteter som inte längre ska ge svar. Entitetstyperna täcker de vanligaste datakällorna – `products`, `contents`, `documents`, `events`, `contacts`, `job_postings` och `educations` – och egendefinierade `properties` gör innehållet filtrerbart i senare chatt- och sökanrop. Hela receptet, med fältkrav och filteroperatorer, finns i [så fyller du en kunskapsbas med data via API:et](https://coreai.no/sv/articles/api-data-integration). Vill du bygga själva upplevelsen själv anropar du `/assistants/{assistantId}/chat` med frågan och valfria parametrar som `cid`, `lang`, `model`, `sources`, `filters` och `stream`, eller `/assistants/{assistantId}/search` när du bara behöver träffar och facetter utan ett genererat svar. Chattströmmar publiceras över WebSocket, så du kan bygga en responsiv, strömmande upplevelse i ditt eget gränssnitt. Den enklaste vägen är fortfarande coreAI-widgeten, som hanterar samtals-ID, språk och strömning åt dig – API:et finns där när du behöver full kontroll. ## MCP och tool calling: låt kunskapsbasen läsa och agera i andra system Där REST-API:et fyller kunskapsbasen med relativt stabila data är MCP byggt för det som måste vara live eller som kräver en åtgärd. Model Context Protocol är den öppna standarden som låter AI-modeller prata med externa datakällor och verktyg utan leverantörsspecifika SDK:er, och coreAI implementerar den åt båda hållen. Som **MCP-klient** kopplar kunskapsbasen upp sig mot de MCP-servrar du redan har, läser ut vilka verktyg de erbjuder, och assistenterna väljer rätt verktyg per fråga genom tool calling. Verktygen kan både läsa och skriva: hämta live lagerstatus och orderdata, eller skapa ett ärende, flytta en leverans och avsluta en prenumeration. Det är det här som gör assistenten agentisk – den slutför uppgifter, den svarar inte bara. Ditt verksamhetssystem bestämmer fortfarande vad ett givet verktyg får göra, och för inloggade användare kan ett användartoken vidarebefordras till MCP-servern som `X-User-Token` så att svaret avgränsas till användarens egna data. Se [coreAI som MCP-klient och MCP-server](https://coreai.no/sv/articles/mcp) för hela bilden, och [MCP-importen som klientintegration](https://coreai.no/sv/articles/mcp-import) för hur verktygsscheman hämtas och väljs i realtid. Hur detta hänger ihop med att bygga in åtgärder i affärsprocesserna finns i [den agentiska AI-lösningen](https://coreai.no/sv/solutions/agentic-ai). Som **MCP-server** exponerar coreAI kunskapsbasen över standard MCP-transport, så att externa AI-agenter – Claude Desktop, Cursor, ChatGPT, interna dev-agenter eller orkestreringsplattformar – kan slå upp i samma kuraterade källa som chatten använder. Ingen kopiering, inget separat vektorindex, ingen skrapning. à tkomsten är trelagrad: varje token tillhör en användare eller ett systemkonto, varje anrop pekar på en assistent, och varje assistent är bunden till källorna i sin kunskapsbas. Detaljerna finns i [MCP-server som gemensamt retrieval-lager](https://coreai.no/sv/articles/mcp-server). ## En kunskapsbas, många ytor Styrkan i arkitekturen är att allt hänger på samma kunskapsbas och samma källor. En produkt kan erbjuda chattwidgeten till slutanvändare, bygga in sök-API:et i sin egen adminpanel, pusha data via REST-API:et och låta egna AI-agenter ansluta via MCP – samtidigt. Ändrar du en källtext i coreAI slår ändringen igenom på alla ytor i samma ögonblick, utan att du underhåller tre separata datasynkroniseringar. Tumregeln är enkel: allt som kan stå stabilt i timmar eller dagar hör hemma i kunskapsbasen via REST-API:et; allt som kräver en live-uppslagning eller en åtgärd mot ett annat system hör hemma bakom MCP. Då får du en kunskapsbas med färska data, spårbara källor och ett gränssnitt du kan bygga så enkelt eller så specialiserat som din produkt kräver. ## Så kommer du igång Börja med att välja det integrationsmönster som löser din uppgift: skicka in data med REST-API:et, bygg in chatt och sökning i egna ytor, eller koppla på MCP för live-data och åtgärder. Token, assistent-ID och käll-ID hämtar du i coreAI-portalen på den aktuella kunskapsbasen, och MCP-konfigurationen kan kopieras direkt från "Kod"-fliken. [Ta kontakt för en genomgång](https://coreai.no/sv/kontakt) av hur API:erna passar just din arkitektur.