Base de conocimientos (RAG)

La función de base de conocimiento permite que tu agente de IA responda preguntas usando tus documentos reales — notas de versión, artículos de ayuda, políticas, cualquier cosa basada en texto.

Formatos compatibles

• PDF
• Markdown, texto plano
• Word (.docx) · CSV
• JSON (extraído como texto)

Flujo de subida

1. Ve a Conocimiento → Subir documento
2. Elige un archivo (máx. 25 MB). Se sube directamente a S3 mediante un POST prefirmado
3. El worker toma la tarea: extrae el texto → divide en chunks de ~800 tokens → genera embeddings con OpenAI text-embedding-3-small → almacena en pgvector
4. El estado cambia a READY cuando termina

Cómo funciona la recuperación

En cada mensaje de un visitante, el worker genera los embeddings de la consulta y ejecuta una búsqueda por distancia de coseno sobre los chunks de tu inquilino. Los Top-K (5 por defecto) chunks que superan un umbral de similitud se insertan en el prompt del sistema.

Usar tus propios embeddings

En Agente de IA → Embeddings puedes establecer un endpoint de API de embedding personalizado — útil si quieres usar Azure OpenAI, un Ollama local o DuckLLM. El endpoint de completado de chat puede ser diferente del endpoint de embedding, porque los servicios de agregación a menudo no admiten embeddings.

Caché

Un texto de consulta idéntico accede a una caché Redis de 24 horas, por lo que la misma FAQ no vuelve a generar embeddings en cada visita. El almacenamiento en caché de prompts de Anthropic se aplica al prompt del sistema + los chunks recuperados para un ahorro de costos adicional.

Cuándo omitir RAG

Desactiva RAG enabled si tu agente de IA es un bot puramente de charla informal / calificación de leads que no necesita citar documentos.