In CompanyGPT nutzen

Über den MCP Server ai-search lässt sich der RAG-Service mit CompanyGPT verbinden, um indexierte Dokumente über alle dem Nutzer zur Verfügung stehenden Sammlungen zu durchsuchen (s. Ähnlichkeitssuche). Die Ergebnisse berücksichtigen dabei immer die Berechtigungen des fragenden Nutzers – bei SharePoint-Quellen auch die Berechtigungen auf Dokumentebene.

Der MCP Server kann für einen erleichterten Umgang einem Agenten hinzugefügt werden.

Beispiel-Prompt aus der Sammlung

Jede Sammlung stellt einen vorbereiteten System-Prompt bereit, in dem der technische Name der Sammlung bereits eingetragen ist. Sie erreichen ihn über das Terminal-Symbol an der Sammlung und übernehmen ihn mit Kopieren direkt in Ihren Agenten. Bei Datensatzsammlungen ist der Prompt auf einen Datenanalyse-Agenten mit den SQL-Tools zugeschnitten.

System-Prompt einer Sammlung mit minimaler und vollständiger Variante

Minimaler Prompt: Kurze Anweisung, die vor allem sicherstellt, dass der Agent immer sucht und die richtige Sammlung verwendet.
Vollständiger Prompt: Ausführliche Variante, die zusätzlich das Antwortformat und die Quellenangaben vorgibt. Sie standardisiert die Ausgaben und erhöht die Qualität der Antworten deutlich.

Tools auswählen

Beim Agenten wird der MCP-Server ai-search hinzugefügt; anschließend aktivieren Sie die Tools, die zum Typ der Sammlung passen.

In allen Tools steht collection für den technischen Namen der Sammlung. Tragen Sie ihn im Prompt fest ein, damit der Agent immer die richtige Sammlung abfragt. Außer bei list_datasets lehnt companyRAG einen Tool-Aufruf ohne collection ab.

Hat die Person, die gerade chattet, keinen Zugriff auf die abgefragte Sammlung, erhält der Agent die Meldung „Kein Zugriff auf Collection ’…’ – bitte an eine Person mit Berechtigung wenden.“ und versucht es nicht erneut. Den Zugriff gibt ein Besitzer der Sammlung über Sammlung teilen frei (siehe Sammlungen).

Content-Such-Tools für Dokumentensammlungen

search_content: Suche für allgemeine Anfragen. Standardwahl für die meisten Nutzerfragen. Erforderliche Parameter: query (Suchtext), collection (technischer Name der Sammlung) Optional: topK (Anzahl Ergebnisse: Standard 5, max. 20), searchMode (similarity = semantische Suche, Standard; keyword = Volltextsuche; hybrid = beides kombiniert), filter (Metadaten-Filter, Aufbau wie bei find_content_by_metadata)
find_content_by_source: Abrufen aller Inhalte aus einem spezifischen Dokument. Nutzen bei Anfragen zu einzelnen Dokumenten (z. B. „Was steht in Dokumentation.md?”). Erforderliche Parameter: source (Dokumentname), collection (technischer Name der Sammlung)
find_content_by_metadata: Filterung von Inhalten nach Metadaten-Attributen. Nutzen bei gefilterten Ergebnissen (z. B. „Alle dringenden Aufgaben von 2026”). Erforderliche Parameter: filter (JSON-Objekt mit den logischen Operatoren $and, $or, $not, den Vergleichsoperatoren $eq, $ne, $gt, $gte, $lt, $lte oder direkten Schlüssel-Wert-Paaren), collection (technischer Name der Sammlung)

SQL-Tools für Datensätze und strukturierte Daten

Für Datensatzsammlungen werden die SQL-basierten Tools aktiviert. Für Dokumentensammlungen mit strukturierten Daten aus Dokumenten oder mit der Option Tabellen als Datensätze werden die SQL-Tools zusätzlich zu den Content-Such-Tools aktiviert. Außer bei list_datasets ist collection bei allen SQL-Tools erforderlich; darüber prüft companyRAG den Zugriff.

Tool-Auswahl mit aktivierten SQL-Tools für eine Datensatzsammlung

Tool	Erforderlich	Optional	Zweck
list_datasets	–	–	Listet alle für Sie verfügbaren Datensatzsammlungen mit ihren Tabellennamen auf. Bei Excel-Arbeitsmappen mit mehreren Blättern sind Blatt und Datei angegeben.
get_schema	`collection`	`dataset` (Tabellenname; weglassen = alle Tabellen der Sammlung)	Liest das Schema einer Tabelle oder listet die Tabellen einer Sammlung.
describe_table	`collection`, `table`	`sample_rows` (Standard 5, max. 50)	Schema und Beispielzeilen einer Tabelle.
get_sample	`collection`, `table`	`rows` (Standard 10, max. 1000), `random`	Beispielzeilen einer Tabelle, optional zufällig ausgewählt.
execute_sql	`collection`, `sql`	`limit` (Standard 100, max. 10000)	Führt eine lesende SQL-Abfrage über die Tabellen der Sammlung aus.
save_transform	`collection`, `table`, `query`	–	Speichert eine SELECT-Abfrage als Bereinigung einer Tabelle. companyRAG legt daraus eine Sicht `<tabelle>_clean` an, die bei jedem weiteren Laden automatisch angewendet wird.
reload_dataset	`collection`, `table`	–	Lädt eine Tabelle neu, etwa nachdem eine Datei erneut hochgeladen wurde.

execute_sql und save_transform erlauben ausschließlich eine einzelne SELECT-Abfrage, optional mit vorangestellten WITH-Klauseln. Schreibende Anweisungen wie INSERT, UPDATE, DELETE, DROP oder CREATE werden abgelehnt. Zeilen werden ausschließlich über den Ingestion-Endpunkt einer Datensatzsammlung eingespielt.

Die SQL-Tools stehen nur zur Verfügung, wenn Ihre Umgebung die Datensatz-Abfrage bereitstellt; sonst zeigt ai-search nur die drei Content-Such-Tools.

Die vollständige Beschreibung jedes Tools zeigt das Info-Symbol in der Tool-Bibliothek.

Antworten mit Quellen

Agenten-Antwort mit Referenzen auf die gefundenen Dokumente

Im Verlauf sind die verwendeten Chunks einsehbar, sodass nachvollziehbar bleibt, worauf eine Antwort beruht. Gibt der Prompt Quellenangaben vor, führt der Agent die genutzten Dokumente zusätzlich am Ende der Antwort auf.

Bei Datensatzsammlungen führt der Agent die Abfrage aus und stellt das Ergebnis als Tabelle dar – auch über mehrere Tabellen mit Joins.

Agenten-Antwort mit ausgeführter SQL-Abfrage und Ergebnistabelle

Eine Schritt-für-Schritt-Anleitung zum Einrichten eines Such-Agenten mit passender Anweisung finden Sie im Tutorial companyRAG in CompanyGPT nutzen.