# Antworten aus Ihrem eigenen Wissen, in der EU

URL: https://munito.ai/de/solutions/knowledge-search

Verbinden Sie offene Modelle mit Ihren Verfahren, Tickets und Verträgen, und geben Sie Antworten mit der Stelle dahinter zurück. Der Index gehört Ihnen; wir liefern die Antwort.

## Antworten aus Ihrem eigenen Wissen, mit der Stelle hinter jeder

Ihre Verfahren, Ihre Tickets, Ihre Verträge, Ihr Wiki. Ein Modell, das sie liest, antwortet in Ihren eigenen Worten und nennt die Seite, die es gelesen hat, damit die fragende Person nachsehen kann.

Munito AI übernimmt das Lesen und das Schreiben, auf europäischer Infrastruktur, ohne Speicherung der Daten. Ihre Inhalte bleiben Ihre, und sie bleiben dort, wo Sie sie abgelegt haben.

## Seien Sie klar über die Teilung

**Wir betreiben keinen Endpunkt für Embeddings.** Das ist eine echte Grenze, und sie ändert, wie Sie bauen. Der Index gehört Ihnen; wir antworten aus dem, was er zurückgibt.

| Schritt | Wer es tut |
| --- | --- |
| Inhalte ablegen und in Stücke teilen | Sie, in Ihrem eigenen System |
| Den Index bauen | Sie, mit eigenen Embeddings oder einem Stichwortindex |
| Die Stellen holen | Sie |
| Sie lesen und antworten | Munito AI |
| Die Quelle zurückgeben | Ihre Anwendung, aus den Stellen, die sie gesendet hat |

Wenn Sie einen Anbieter für jeden Schritt wollen, sagen Sie es früh: Scaleway, OVHcloud und Blade betreiben Embeddings, wir nicht. Das [Retrieval-Rezept](https://docs.munito.ai/recipes/rag) baut die ganze Schleife mit einem Stichwortindex, der auf Ihrem Rechner läuft, sodass Sie die Antwortqualität messen, bevor Sie einen Vektorspeicher wählen.

## Ein langer Kontext ändert den Entwurf

DeepSeek-V4-Flash, DeepSeek-V4.1-Flash-1017 und GLM-5.3-Flash lesen je eine Million Token. Das reicht, um damit aufzuhören, Dokumente in kleine Stücke zu schneiden und zu hoffen, dass das richtige zurückkommt.

Senden Sie weniger, größere Stellen. Weniger Stücke heißt weniger Fehlgriffe beim Holen, und ein Modell, das einen ganzen Abschnitt sieht, schreibt eine bessere Antwort als eines, das drei Bruchstücke davon sieht.

Ein wiederholter Vorspann kostet fast nichts: zwischengespeicherte Eingabe bei DeepSeek-V4.1-Flash-1017 liegt bei $0.006 je Million Token, gegen $0.30 ohne. Ein fester Anweisungsblock vor jeder Frage ist beinahe kostenlos.

## Machen Sie die Antwort prüfbar

Nutzen Sie [strukturierte Ausgaben](https://docs.munito.ai/features/structured-outputs), und das Modell gibt die Antwort und die Kennungen der Stellen zurück, die es benutzt hat, in einer Form, die Ihre Anwendung als Links zeigt. Eine Antwort, die niemand prüfen kann, ist ein Gerücht mit guter Grammatik.

Das [Rezept zur semantischen Suche](https://docs.munito.ai/recipes/semantic-search) deckt das Ranking ab, und das [Retrieval-Rezept](https://docs.munito.ai/recipes/rag) den Schritt des Antwortens.

## Eigenes Wissen ist der Grund, warum die Region zählt

Ein Support-Wiki trägt Kundennamen. Ein Verfahren trägt, wie eine Kontrolle wirkt. Das sind die Dokumente, nach denen ein Sicherheitsteam zuerst fragt.

Senden Sie an `https://api.eu.munito.ai`, und die Anfrage läuft in der EU; die Antwort nennt die Region im Header `munito-region`. Munito AI behält standardmäßig keine Anfragen und keine Ausgaben und trainiert mit nichts, was Sie senden. Der AVV gilt ohne Unterschrift.

Für Inhalte, die Ihren Perimeter gar nicht verlassen dürfen, betreiben Sie die Plattform in Ihrem eigenen Cloud-Konto oder vor Ort. Siehe [Enterprise](https://munito.ai/enterprise).

## Belegen Sie es an Fragen, deren Antwort Sie kennen

Schreiben Sie fünfzig Fragen, die Ihr Team heute beantwortet, mit der richtigen Quelle zu jeder. Messen Sie, wie oft das System die richtige Stelle findet, wie oft die Antwort stimmt, wenn die Stelle stimmt, und wie oft es sagt, dass es nicht weiß.

Die zweite Zahl ist die Aufgabe des Modells. Die erste gehört Ihrem Index, und sie ist meistens die, die nicht stimmt.

## Anfangen

- [Die Retrieval-Schleife bauen](https://docs.munito.ai/recipes/rag)
- [Die Stellen ranken](https://docs.munito.ai/recipes/semantic-search)
- [Die Antwortform festlegen](https://docs.munito.ai/features/structured-outputs)
- [Mit einem Ingenieur sprechen](https://munito.ai/contact) über Ihre Inhalte und Ihre Genauigkeitsschwelle


## Häufige Fragen

### Welche offenen Modelle betreibt Munito AI?

Chat-Modelle wie Qwen, DeepSeek, GLM und Kolibri, ein OCR-Modell, das Dokumente zu Markdown liest, ein Modell für Sprache zu Text, und Entscheidungsmodelle. Der Katalog nennt jedes mit Kontext und Regionen.

### Behält Munito AI meine Prompts und Ausgaben?

Nein, nicht als Voreinstellung. Keine Speicherung der Daten ist die Regel: nach der Auslieferung entfernt Munito AI den vorübergehenden Inhalt. Es behält Inhalt nur, wenn eine Anfrage darum bittet, und dann 30 Tage.

### Wo verarbeitet Munito AI meine Anfragen?

Der EU-Host verarbeitet jede Anfrage in der EU, der US-Host in den USA, und der globale Host in jeder Region. Jede Antwort nennt ihre Region im Header munito-region.

### Kostet das Zwischenspeichern von Prompts extra?

Nein. Munito AI speichert wiederholte Prompt-Präfixe von selbst zwischen. Ein zwischengespeichertes Eingabe-Token kostet den Cache-Preis, und ein Schreiben in den Cache kostet nichts extra.

https://docs.munito.ai/faq