Base de conocimientos (RAG)

La función de base de conocimiento permite que tu agente de IA responda preguntas usando tus documentos reales, como 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

Centro de entrenamiento

La subida manual de un solo archivo es solo una de las vías de entrada. AbreAgente de IA → Centro de entrenamiento para alimentar la base de conocimiento de varias formas:

• Rastrear un sitio web: indica una URL y obtiene las páginas, extrae el texto y las incorpora como un archivo subido
• Subida de archivos por lotes: agrega PDF, Word (.docx) y otros documentos de texto, analizados y divididos en chunks automáticamente
• Pares de P&R: escríbelos a mano o importa muchos a la vez desde un CSV
• Playground: un chat de pruebas para probar el agente con tu base de conocimiento antes de publicarlo

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.

IA alojada por la plataforma, o tus propios embeddings

De forma predeterminada, la plataforma aloja la IA por ti, sin necesidad de clave: los embeddings y las respuestas se ejecutan en claves gestionadas, se cobran según el uso real de tokens, se recargan automáticamente con créditos y se transfieren a un agente humano cuando el saldo es bajo. Si prefieres alojarla tú mismo, 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.