Fünf Dateitypen, eine Sammlung
Text, Markdown, CSV, Word (.docx) und PDF. Zieh eine Datei irgendwohin auf das Fenster, um sie hinzuzufügen, oder baue eine Sammlung über die Seitenleiste auf und hänge sie komplett an einen Chat an.
Dokumente
Füge deine eigenen Text-, Markdown-, CSV-, Word- und PDF-Dateien zu einer Sammlung hinzu, hänge sie an einen Chat an, und frag. Conduit durchsucht gleichzeitig nach Bedeutung und nach exakten Wörtern, und jede Antwort nennt die Dateien, auf die sie sich gestützt hat — klick eine an, um die Textstelle selbst zu lesen.
Das Problem
Du fragst einen Assistenten etwas zu deinen eigenen Dateien, und er antwortet selbstbewusst — ohne dass du erkennen kannst, ob er den Absatz gelesen hat, der wirklich zählt, einen veralteten Entwurf, oder gar nichts. Die relevante Seite jedes Mal von Hand ins Chat-Fenster zu kopieren, ist kein Workflow. Es ist ein Behelf dafür, der Antwort nicht vertrauen zu können.
Was dir Dokumente gibt
Deine Dateien, richtig durchsucht, mit jedes Mal einem Weg zurück zur Quelle.
Text, Markdown, CSV, Word (.docx) und PDF. Zieh eine Datei irgendwohin auf das Fenster, um sie hinzuzufügen, oder baue eine Sammlung über die Seitenleiste auf und hänge sie komplett an einen Chat an.
Eine Vektorsuche und eine SQLite-Volltextsuche laufen über dieselben Textstellen und werden zu einem Ranking zusammengeführt — sowohl eine umformulierte Frage als auch eine Frage, die an einem exakten Begriff hängt, treffen so ins Schwarze.
Der Index liegt als ganz normale Zeilen in derselben lokalen SQLite-Datenbank wie deine Chats — keine eigene Vektordatenbank zu installieren, zu hosten oder zu sichern.
So funktioniert's
Alles passiert innerhalb von Conduit — kein vorheriger Export deiner Dateien zu einem Indexierungsdienst eines Drittanbieters.
Öffne Dokumente in der Seitenleiste und lege eine Sammlung an. Zieh Dateien irgendwohin auf das Fenster, um sie hinzuzufügen, oder füge Text-, Markdown-, CSV-, Word- oder PDF-Dateien einzeln hinzu.
Wähle die Sammlung im Composer für diese Unterhaltung. Beim ersten Mal, dass du mit einem bestimmten Provider indexierst, fragt Conduit um Zustimmung, bevor irgendetwas gesendet wird.
Die Antwort nennt die durchsuchten Dateien als Chips unter deiner Frage. Klick einen Chip an, um die genaue verwendete Textstelle zu öffnen — keine Zusammenfassung, den Text selbst.
Durchgerechnetes Beispiel
Ein Entwicklungsteam hält vier Dateien in einer Sammlung: eine Architekturübersicht, Auth-Design-Notizen, ein Runbook für Sync-Rückstaus und eine API-Referenz. Ein neuer Kollege fragt, warum der Client die Authentifizierung zweimal wiederholt, bevor er den Nutzer abmeldet.
Conduit durchsucht alle vier Dokumente gleichzeitig — nach Bedeutung, sodass eine
Frage, die nie „Refresh-Race“ sagt, trotzdem den Absatz dazu findet, und nach exakten
Wörtern, sodass ein Fehlercode wie 409 refresh_reused direkt gefunden
wird. Die Antwort nennt die Dateien, auf die sie sich gestützt hat, und erklärt beide
Wiederholungen anhand der Design-Notizen.
Auf eine zitierte Datei zu klicken öffnet keine Zusammenfassung. Es öffnet die tatsächliche Textstelle, auf die sich die Antwort gestützt hat, mit dem Pfad der Datei auf der Festplatte darüber — die Antwort zu prüfen dauert also einen Klick, keine Suche durch die ursprünglichen Dokumente.
Wie Dokumente funktioniert, in der DokumentationWohin die Daten gehen
Eine Datei zu indexieren und eine Frage dazu zu stellen, senden unterschiedliche Dinge an unterschiedliche Orte.
| Schritt | Gesendet an |
|---|---|
| Indexierung mit OpenAI, Gemini oder OpenRouter | Dieser Provider bekommt den vollständigen Text des Dokuments, einmal |
| Indexierung mit Ollama | Nirgendwohin — das Embedding läuft auf deinem Rechner |
| Eine Frage stellen | Dein Chat-Provider bekommt die abgerufenen Textstellen, als Teil des Prompts |
Anthropic bietet keine Embeddings-API an, Claude ist also nie eine Option für die Indexierung — nur für den Chat. Auf der Datenschutzseite stehen alle Datenflüsse von Conduit, nicht nur dieser.
Grenzen
Reiner Text, Markdown, CSV, Word (.docx) und PDF. Zieh eine beliebige Datei auf das Conduit-Fenster, um sie zu einer Sammlung hinzuzufügen, oder füge Dateien einzeln über den Bereich Dokumente in der Seitenleiste hinzu. Es gibt keinen OCR-Schritt, ein gescanntes PDF ohne darunterliegende Textebene kann also nicht gelesen werden — es liefert einfach keinen Text.
Dateien werden so oder so auf deinem Rechner geparst. Damit der Index funktioniert, wird der vollständige Text eines Dokuments einmal an den von dir gewählten Embedding-Provider gesendet — außer du wählst Ollama, das on-device einbettet und nichts sendet. Stellst du später eine Frage, werden die aus deinen Dateien abgerufenen Textstellen als Teil des Prompts an deinen Chat-Provider gesendet, genau wie alles andere, was du eintippst. Eine Sammlung ist also nur dann vollständig on-device, wenn Ollama das Embedding übernimmt und ein lokales Modell antwortet.
Anthropic bietet keine Embeddings-API an, Claude gehört also nicht zu den Optionen, um deine Dateien in einen durchsuchbaren Index zu verwandeln. Wähle für die Indexierung OpenAI, Gemini, OpenRouter oder Ollama — den Chat selbst, samt der aus deinen Dokumenten abgerufenen Textstellen, kannst du trotzdem zur Beantwortung an Claude senden.
Ja, wenn Ollama beide Aufgaben übernimmt — deine Dateien einbetten und den Chat beantworten — mit Modellen, die du schon lokal betreibst. Schalte den Local-only-Modus ein, und Conduit erzwingt das für dich — Cloud-Embedding-Provider werden rundweg abgelehnt, sodass eine Sammlung nicht heimlich anfangen kann, mit dem Internet zu sprechen.
Zwei Suchen laufen gleichzeitig über dieselbe lokale Datenbank — eine Vektorsuche, die nach Bedeutung sucht, und eine SQLite-Volltextsuche, die nach exakten Wörtern sucht — und die beiden Rankings werden per Reciprocal Rank Fusion zusammengeführt. Diese Kombination erfasst sowohl eine Frage, die anders formuliert ist als der Quelltext, als auch eine Frage, die an einem einzigen exakten Begriff hängt, etwa einem Produktcode oder einem Namen. Die Dateien, auf die sich eine Antwort gestützt hat, erscheinen als Chips unter deiner Nachricht — klick eine an, um die Textstelle selbst zu lesen, nicht eine Zusammenfassung davon.
Nur, wenn du die Verschlüsselung im Ruhezustand in den Einstellungen eingeschaltet hast — standardmäßig ist sie aus. Ist sie an, werden Dokument-Chunks verschlüsselt, geschlüsselt über den Schlüsselbund deines Betriebssystems, zusammen mit Anhängen, Artefakten und Memory-Einträgen. Ist sie aus, liegt der Index unverschlüsselt in derselben lokalen Datenbank wie deine Chats, geschützt nur durch die eigenen Dateiberechtigungen deines Betriebssystems.
Verwandtes
Keine Telemetrie, kein Konto, lokale Speicherung — und dieselben Einschränkungen zu Dokument-Embedding und -Suche, vollständig ausformuliert.
Privat halten Für Nutzer lokaler ModelleOllama oder LM Studio für den Chat, und auch für den Embedding-Schritt — ein vollständig on-device Weg, deine eigenen Dateien zu durchsuchen.
Modelle lokal betreiben Für Vielnutzer von KIDein eigener Schlüssel für den Chat-Provider und, getrennt davon, für den Dienst, der deine Dokumente einbettet.
Eigenen Schlüssel mitbringenKostenlos, Open Source, und läuft auf deinem eigenen Rechner, noch bevor deine erste Sammlung existiert.
Ein Release Candidate: Die Installer sind noch nicht vom Betriebssystem code-signiert, rechne beim ersten Start also mit einer SmartScreen- oder Gatekeeper-Warnung.