Base de conhecimento (RAG)

O recurso de base de conhecimento permite que o seu agente de IA responda a perguntas usando os seus documentos reais, como notas de versão, artigos de ajuda, políticas, qualquer coisa baseada em texto.

Formatos suportados

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

Fluxo de upload

1. Vá para Conhecimento → Enviar documento
2. Escolha um arquivo (máx. 25 MB). Ele é enviado diretamente para o S3 via POST pré-assinado
3. O worker assume a tarefa: extrai o texto → divide em chunks de ~800 tokens → gera embeddings com OpenAI text-embedding-3-small → armazena no pgvector
4. O status muda para READY quando concluído

Centro de treinamento

O upload manual de um único arquivo é apenas uma das formas de entrada. AbraAgente de IA → Centro de treinamento para alimentar a base de conhecimento de várias maneiras:

• Rastrear um site: informe uma URL e ele busca as páginas, extrai o texto e as ingere como um arquivo enviado
• Upload de arquivos em lote: adicione PDF, Word (.docx) e outros documentos de texto, analisados e divididos em chunks automaticamente
• Pares de P&R: digite-os manualmente ou importe vários de uma vez a partir de um CSV
• Playground: um chat sandbox para testar o agente com a sua base de conhecimento antes de entrar no ar

Como funciona a recuperação

A cada mensagem do visitante, o worker gera os embeddings da consulta e executa uma busca por distância de cosseno nos chunks do seu locatário. Os Top-K (5 por padrão) chunks que passam de um limiar de similaridade são inseridos no prompt do sistema.

IA hospedada pela plataforma, ou os seus próprios embeddings

Por padrão, a plataforma hospeda a IA para você, sem necessidade de chave: os embeddings e as respostas são executados em chaves gerenciadas, cobrados pelo uso real de tokens, recarregados automaticamente a partir de créditos e repassados a um agente humano quando o saldo fica baixo. Se preferir hospedar por conta própria, em Agente de IA → Embeddings, você pode definir um endpoint de API de embedding personalizado, útil se quiser usar o Azure OpenAI, um Ollama local ou o DuckLLM. O endpoint de conclusão de chat pode ser diferente do endpoint de embedding, porque os serviços de agregação muitas vezes não suportam embeddings.

Cache

Um texto de consulta idêntico atinge um cache Redis de 24 horas, então a mesma FAQ não gera novos embeddings a cada visita. O cache de prompts da Anthropic é aplicado ao prompt do sistema + chunks recuperados para economias de custo adicionais.

Quando ignorar o RAG

Desative RAG enabled se o seu agente de IA for um bot puramente de conversa casual / qualificação de leads que não precisa citar documentos.