1. Conduit
  2. Anwendungsfälle
  3. Dokumente

Dokumente

Mit deinen Dokumenten chatten, und genau sehen, welches geantwortet hat

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.

  • Text, Markdown, CSV, Word und PDF
  • Hybride Suche — nach Bedeutung und nach exakten Wörtern
  • Jede Antwort zitiert die Textstelle, die sie verwendet hat

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

Eine Antwort, die du prüfen kannst, nicht nur lesen

Deine Dateien, richtig durchsucht, mit jedes Mal einem Weg zurück zur Quelle.

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.

Gefunden nach Bedeutung und nach exakten Wörtern

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.

Kein separater Index zu betreiben

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

Drei Schritte, kein separates Tool

Alles passiert innerhalb von Conduit — kein vorheriger Export deiner Dateien zu einem Indexierungsdienst eines Drittanbieters.

  1. Baue eine Sammlung auf

    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.

  2. Häng sie an einen Chat an

    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.

  3. Frag, und prüfe die Quelle

    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

Eine Design-Frage, zurückverfolgt zu der Notiz, die sie beantwortet hat

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 Dokumentation

Wohin die Daten gehen

Zwei unterschiedliche Netzwerkwege, nicht einer

Eine Datei zu indexieren und eine Frage dazu zu stellen, senden unterschiedliche Dinge an unterschiedliche Orte.

SchrittGesendet an
Indexierung mit OpenAI, Gemini oder OpenRouterDieser Provider bekommt den vollständigen Text des Dokuments, einmal
Indexierung mit OllamaNirgendwohin — das Embedding läuft auf deinem Rechner
Eine Frage stellenDein 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

Was es tut, und was nicht

Was es tut

  • Fügt Text-, Markdown-, CSV-, Word- und PDF-Dateien zu Sammlungen hinzu, die du kontrollierst, und durchsucht sie gleichzeitig nach Bedeutung und exakten Wörtern.
  • Zeigt genau, auf welche Dateien sich eine Antwort gestützt hat, mit einem Klick zur Quelltextstelle.
  • Parst Dateien auf deinem Rechner — Conduit hat keine eigenen Server, zu denen sie hochgeladen würden.
  • Lässt dich den Embedding-Provider wählen und deine Meinung ändern: Die Zustimmung gilt pro Provider und lässt sich auf der Dokumente-Seite widerrufen.
  • Hält den Index in derselben lokalen SQLite-Datenbank wie deine Chats, sodass kein separater Vektordienst läuft.
  • Läuft vollständig on-device, wenn du Ollama sowohl für Embedding als auch für den Chat wählst.

Was es nicht tut

  • Liest kein gescanntes PDF ohne Textebene — es gibt keinen OCR-Schritt, eine solche Datei liefert also nichts.
  • Lässt dich nicht mit Claude indexieren — Anthropic hat keine Embeddings-API, wähle für diesen Teil also OpenAI, Gemini, OpenRouter oder Ollama, selbst wenn Claude den Chat beantwortet.
  • Hält den Text eines Dokuments nur dann vom Netzwerk fern, wenn du Ollama wählst — Cloud-Embedding sendet den vollständigen Text einmal, das ist so vorgesehen.
  • Verschlüsselt Dokument-Chunks nur, wenn du die Verschlüsselung im Ruhezustand eingeschaltet hast — sie ist standardmäßig aus, und alles ist Klartext, bis du sie einschaltest.
  • Hält nicht beim Quellauszug an — abgerufene Textstellen werden als Teil des Prompts an deinen Chat-Provider weitergesendet, dessen eigene Richtlinien gelten also auch für sie.
  • Erlaubt keinen Cloud-Embedding-Provider, solange der Local-only-Modus an ist — Ollama ist in diesem Modus die einzige Wahl, die Conduit trifft.

Mit Dokumenten chatten — Fragen, offen beantwortet

Mit welchen Dateitypen kann ich chatten?

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.

Verlassen meine Dokumente meinen Rechner?

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.

Warum kann ich Claude nicht nutzen, um meine Dokumente zu indexieren?

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.

Kann ich vollständig offline mit Dokumenten chatten?

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.

Wie entscheidet Conduit, welche Textstelle es verwendet?

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.

Ist mein Dokumentindex verschlüsselt?

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.

Frag deine eigenen Dateien, und sieh, was geantwortet hat

Kostenlos, 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.