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 — 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

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.

Usar os seus próprios embeddings

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.