Skip to main content
Conare stellt deiner Anwendung einen eigenen Retrieval-Stack bereit: KI-Speicher pro Endnutzer, eine Vektor- und Volltextdatenbank sowie Embeddings, die aus demselben Modell stammen, das deine Daten indiziert – dazu Connectoren, die die Tools deiner Nutzer in deren Speicher einfließen lassen.

​
Produkte

AI Memory

Persistenter Speicher pro Endnutzer: Speichern, hybride Suche, LLM-synthetisierter Deep Recall und proaktive Vorschläge.

ConareDB

Vektor- und Volltextsuchmaschine mit isolierten Namespaces. Das Substrat unter AI Memory, auch eigenständig verfügbar.

Embeddings

Vektoren im Dokumentenraum aus genau dem Modell, mit dem Conare retrievt. Zustandslos, einheitsnormiert, pinbar.

Integrations

Sechs erstklassige Connectoren plus ein Katalog von rund 200 Datenquellen, die deine Endnutzer per Klick verbinden können.

​
Nutzungsarten

  • HTTP-API – deine App bettet Memory für ihre Endnutzer ein. Authentifiziere dich mit einem organisationseigenen Integration-Key (cint_...); jede Anfrage nennt eine endUserId. Starte mit dem Quickstart oder dem TypeScript-SDK.
  • MCP – Coding-Agents (Claude Code, Codex, Cursor) nutzen Conare direkt als MCP-Server unter https://api.conare.ai/mcp. Siehe MCP-Tools.

​
Custom Models

Für Teams, die Retrieval nachweislich auf ihre eigenen Daten abgestimmt haben wollen, trainiert und pflegt Conare individuelle Embedding- und Reranking-Modelle, akzeptanzgeprüft anhand deines Golden-Query-Sets. Erfahre, wie das Engagement abläuft, oder buche ein Gespräch.

API-Referenz

Jeder Endpunkt, generiert aus derselben OpenAPI-3.1-Spezifikation, die auch die Produktions-Smoke-Tests prüfen.