Base de connaissances (RAG)

La fonction de base de connaissances permet à votre agent IA de répondre aux questions en utilisant vos documents réels, comme les notes de version, les articles d'aide, les politiques, tout ce qui est basé sur du texte.

Formats pris en charge

• PDF
• Markdown, texte brut
• Word (.docx) · CSV
• JSON (extrait sous forme de texte)

Processus de téléversement

1. Allez dans Connaissances → Téléverser un document
2. Choisissez un fichier (25 Mo max). Il est téléversé directement vers S3 via un POST présigné
3. Le worker prend en charge la tâche : extrait le texte → découpe en chunks d'environ 800 tokens → génère les embeddings avec OpenAI text-embedding-3-small → stocke dans pgvector
4. Le statut passe à READY une fois terminé

Centre d'entraînement

Le téléversement manuel d'un seul fichier n'est qu'une porte d'entrée. OuvrezAgent IA → Centre d'entraînement pour alimenter la base de connaissances de plusieurs façons :

• Explorer un site web : donnez une URL et il récupère les pages, extrait le texte et les ingère comme un fichier téléversé
• Téléversement de fichiers en lot : déposez des PDF, des Word (.docx) et d'autres documents texte, analysés et découpés automatiquement
• Paires Q&R : saisissez-les à la main ou importez-en plusieurs à la fois depuis un CSV
• Playground : un chat bac à sable pour tester l'agent avec votre base de connaissances avant sa mise en ligne

Fonctionnement de la récupération

À chaque message d'un visiteur, le worker génère les embeddings de la requête et exécute une recherche par distance cosinus sur les chunks de votre locataire. Les Top-K (5 par défaut) chunks qui passent un seuil de similarité sont insérés dans le prompt système.

IA hébergée par la plateforme, ou vos propres embeddings

Par défaut, la plateforme héberge l'IA pour vous, sans clé requise : les embeddings et les réponses s'exécutent sur des clés gérées, facturés selon l'usage réel de tokens, rechargés automatiquement depuis des crédits et transmis à un agent humain lorsque le solde est faible. Si vous préférez l'héberger vous-même, dans Agent IA → Embeddings, vous pouvez définir un endpoint d'API d'embedding personnalisé, utile si vous souhaitez utiliser Azure OpenAI, un Ollama local ou DuckLLM. L'endpoint de complétion de chat peut être différent de l'endpoint d'embedding, car les services d'agrégation ne prennent souvent pas en charge les embeddings.

Mise en cache

Un texte de requête identique touche un cache Redis de 24 heures, de sorte que la même FAQ ne génère pas de nouveaux embeddings à chaque visite. La mise en cache des prompts d'Anthropic est appliquée au prompt système + aux chunks récupérés pour des économies de coûts supplémentaires.

Quand ignorer le RAG

Désactivez RAG enabledsi votre agent IA est un simple bot de bavardage / qualification de leads qui n'a pas besoin de citer des documents.