Zusammenfassung
Dateien in Claude Projects oder ChatGPT hochladen, RAG auf einer Vektordatenbank aufbauen oder der KI einen Volltextindex des Dateiservers als MCP-Tools geben: wie sich die drei Ansätze bei exakten Codes und Zahlen, Ordnerstruktur, Aktualität, Berechtigungen und Aufwand unterscheiden und wann welcher der richtige ist.
TL;DR: Für wenige Dokumente, die sich selten ändern, ist das Hochladen in den Chat oder in ein Projekt die einfachste Lösung, die funktioniert. Für Fragen, die sich durch Fließtext beantworten lassen (Richtlinien, Handbücher, Wissensartikel) und bei denen Nutzer anders formulieren als der Text, ist RAG mit Embeddings stark. Für einen Firmen-Dateiserver, auf dem Leute nach einer Artikelnummer, einem Kundennamen, einer Zeichnung, der neuesten Version einer Liste suchen, in Tausenden von Dateien, die sich täglich ändern und die nicht jeder sehen darf, passt ein als Tools bereitgestellter Volltextindex besser, und genau das ist AnythingMCP File Search. Die Ansätze schließen sich nicht aus; viele Teams landen bei mehr als einem.
Drei Wege, einer KI deine Dokumente zu geben
1. Upload in den Chat oder in ein Projekt. Du fügst in Claude oder ChatGPT Dateien zu einer Unterhaltung oder zum Wissen eines Projekts hinzu. Der Anbieter behält eine Kopie und entscheidet, wie das Modell darauf zugreift: Kleine Mengen landen vollständig im Kontext, größere werden üblicherweise in Teilen abgerufen. Nichts zu betreiben, nichts zu warten, aber die Kopie ist nur so aktuell wie dein letzter Upload.
2. Retrieval-Augmented Generation (RAG) auf einer Vektordatenbank. Eine Pipeline zerlegt jedes Dokument in Chunks, wandelt jeden Chunk in ein Embedding um und speichert sie in einer Vektordatenbank. Zur Fragezeit wird auch die Frage eingebettet, die ähnlichsten Chunks werden abgerufen und an das Modell übergeben. Das ist die Standardarchitektur hinter den meisten „Knowledge-Base“-Produkten und vielen internen Projekten.
3. Ein Volltextindex, bereitgestellt als Tools (AnythingMCP File Search). AnythingMCP indiziert die Dateinamen und den Text jeder Seite eines Ordners auf einem NAS, Dateiserver, SFTP-, WebDAV- oder S3-Speicher, hält den Index synchron und gibt dem KI-Client MCP-Tools: Suche nach Inhalt, Suche nach Name, Ordner auflisten, exakte Suche nach Codes, Seiten lesen, Datei abrufen. Das Modell entscheidet, welches Tool es aufruft, so wie ein Kollege zuerst im richtigen Ordner nachsieht und dann die Datei öffnet.
Im direkten Vergleich
| Upload in Chat oder Projekt | RAG auf einer Vektordatenbank | File Search (Volltextindex + MCP-Tools) | |
|---|---|---|---|
| Wo die Dateien bleiben | Kopie beim KI-Anbieter | Kopie des Texts in deiner Vektordatenbank | Auf deinem Server oder NAS; der Index enthält den Text |
| Aktualität | Manuell neu hochladen | Deine Ingestion-Pipeline | Automatische Synchronisierung; nur geänderte Dateien werden gelesen |
Exakte Codes und Zahlen (AD-24004, DIN 18101) | Abhängig davon, wie der Anbieter abruft | Schwachstelle: ähnliche Codes sehen für Embeddings gleich aus | Wörtliche Suche, Excel-Zeilen mit ihren Spaltennamen |
| Fragen, die anders formuliert sind als der Text | Gut, solange alles in den Kontext passt | Stark: Abruf nach Bedeutung | Hängt davon ab, ob das Modell die richtigen Wörter und Synonyme probiert |
| Ordnerstruktur, Dateinamen, Datumsangaben | Größtenteils verloren | Nur erhalten, wenn du sie als Metadaten speicherst | Erstklassig: Jeder Treffer hat Ordner, Datei und Datum; „neueste zuerst“ ist ein Filter |
| Tausende von Dateien | Begrenzt durch Tarif und Kontext | Ja | Ja, im Rahmen des Dateilimits des Tarifs |
| Wer was sieht | Wer im Projekt ist | Musst du selbst bauen | MCP-Rollen, ein Connector pro Ordner, Ordnerberechtigungen pro Rolle (Enterprise) |
| Quellen in der Antwort | Oft | Wenn du es baust | Datei, Seite und Datum bei jedem Treffer, auf Anfrage auch die Datei selbst |
| Welcher KI-Client | Die App dieses Anbieters | Deine App | Jeder Client mit Remote-MCP: Claude, ChatGPT, Copilot, Gemini, Cursor |
| Aufwand | Keiner | Ein Projekt: Chunking, Embeddings, Pipeline, Evaluierung | Ein Assistent: verbinden, scannen, beschreiben, aktivieren |
Wann welcher Ansatz der richtige ist
Lade hoch, wenn die Menge klein, stabil und persönlich ist: ein Vertrag, den du gerade verhandelst, drei Handbücher für ein Projekt, ein Paper, das du liest. Es gibt keine Infrastruktur, und das Modell sieht genau das, was du ihm gegeben hast.
Baue RAG, wenn der Inhalt aus Fließtext besteht, die Fragen offen sind („Was ist unsere Richtlinie zu …“, „Wie mache ich …“), Nutzer die Begriffe der Dokumente nicht kennen und du jemanden hast, der die Pipeline und ihre Qualität verantwortet. Der Abruf nach Bedeutung findet den Absatz zu „Rückgabe nach 30 Tagen“, wenn der Nutzer fragt, wie er etwas verspätet zurückschicken kann.
Nutze File Search, wenn das Wissen auf einem Dateiserver liegt, den Leute bereits in Ordnern organisieren: Preislisten, Datenblätter, Zeichnungen, Angebote, gespeicherte E-Mails, Excel-Exporte. Fragen dazu betreffen meist etwas Konkretes (eine Nummer, einen Namen, eine Datei, die neueste Version), die Antwort muss exakt und belegt sein, der Ordner ändert sich täglich und nicht jeder darf alles sehen. File Search ist außerdem die Option, bei der die Dateien dort bleiben, wo sie sind, die über KI-Clients hinweg funktioniert und keine Pipeline braucht.
Die ehrlichen Kompromisse bei File Search
- Keine Embeddings. File Search sortiert nicht nach semantischer Ähnlichkeit. Das Modell gleicht das aus, indem es mehrere Wörter und Synonyme probiert, die Tools ihm Snippets und Datumsangaben zur Auswahl liefern und die Beschreibung des Connectors ihm das Vokabular des Ordners verrät; eine Frage, die sehr anders formuliert ist als der Text, ist aber der Fall, den die Vektorsuche besser bewältigt.
- Sie braucht eine Textebene. Gescannte PDFs ohne Text werden nur über den Namen gefunden, es sei denn, du nutzt Enterprise mit OCR. Bilder und CAD-Dateien werden über den Namen gefunden.
- Tariflimits. Die Anzahl indizierter Dateien ist Teil des Tarifs (500, 2.000, bis zu 50.000 in Cloud Enterprise, unbegrenzt in self-hosted Enterprise). Wähle die Ordner aus, nach denen Leute tatsächlich fragen.
- Tool-Aufrufe laufen nacheinander. Der Assistent sucht und liest dann. Das sind ein paar Sekunden pro Frage, dafür bekommst du Antworten, die die Seite belegen.
Warum „exakt“ auf einem Dateiserver zählt
Frage ein Embedding-basiertes System nach dem Preis von AD-24004, und es ruft die Chunks ab, die der Frage am ähnlichsten sind. In einer Preisliste sind die Zeilen für AD-24004, AD-24040 und AD-24004-G in ihrer Bedeutung nahezu identisch, und die Liste von 2025 ist der Frage genauso ähnlich wie die von 2026. Ähnlichkeit ist das falsche Maß für einen Identifikator. Eine wörtliche Suche findet AD-24004 entweder oder eben nicht, und jeder Treffer trägt sein Dateidatum, sodass das Modell die aktuelle Liste nehmen und sagen kann, welche es verwendet hat. Die vollständige Anleitung findest du unter Artikelnummern in PDF- und Excel-Preislisten finden.
Lassen sie sich kombinieren?
Ja. File Search ist ein Connector unter anderen auf einem AnythingMCP-Server. Ein Team kann eine RAG-basierte Wissensdatenbank für seine Richtlinien behalten, den Dateiserver über File Search anbinden und ERP und CRM als weitere Connectors hinzufügen; der KI-Client sieht alle als Tools und wählt pro Frage. Ein Dokument für eine einmalige Frage in einen Chat hochzuladen funktioniert daneben weiterhin.
FAQ
Ist File Search ein RAG-System? Im weiten Sinn, dass das Modell Text abruft, bevor es antwortet, ja. Im üblichen engen Sinn (Chunks, Embeddings, Vektordatenbank) nein: Es ist ein Volltextindex mit Ergebnissen auf Seitenebene, und der Abruf erfolgt durch das Modell über Tools.
Gehen meine Dateien bei File Search an den KI-Anbieter? Nur das, was ein Tool für eine Frage zurückgibt: eine Trefferliste, der Text einer Seite, ein Link. Bei einem self-hosted AnythingMCP bleibt der Index auf deinem Server.
Was ist mit Google Drive, OneDrive oder SharePoint? Cloud-Laufwerke haben eigene Connectors (im Katalog von AnythingMCP sowie in Claude und ChatGPT), die über die API des Laufwerks suchen. File Search ist für die Orte ohne eine solche API gedacht: ein NAS, eine Windows-Freigabe, ein SFTP- oder WebDAV-Server, ein S3-Bucket.
Verwandte Artikel
- Durchsuche deinen Firmen-Dateiserver mit KI
- Ein Synology- oder QNAP-NAS mit Claude und ChatGPT durchsuchen, Schritt für Schritt
- Artikelnummern in PDF- und Excel-Preislisten finden
- Technische Zeichnungen per Teilenummer mit KI finden
- Ein E-Mail-Archiv aus .msg- und .eml-Dateien mit KI durchsuchen
- Ordnerberechtigungen pro Rolle für die KI-Dateisuche
- Was ist MCP?
War dieser Guide hilfreich?
