Bases de conocimiento

Una base de conocimiento es una colección de documentos que un agente puede consultar mientras responde. Adminístralas en Build → Knowledge Base.

Crear una base de conocimiento

1. Abre Knowledge Base y crea una nueva.
2. Ingresa un Name y una Description, y luego selecciona Create Knowledge Base.
3. Vuelve a abrir la base de conocimiento para subir documentos. Solo puedes subirlos después de guardar la base de conocimiento.
4. Adjúntala a un agente en el lienzo visual.
5. Prueba el agente en el chat con preguntas que los documentos respondan.

Campo	Qué hace
Name	Obligatorio. Letras, números, espacios, guiones bajos y guiones, hasta 100 caracteres.
Description	Lo que contiene la base de conocimiento. El agente lo lee, junto con el nombre, para decidir cuándo consultar esta base de conocimiento, así que sé específico.

Archivos compatibles

Formato	Qué se indexa
PDF (.pdf)	El texto de cada página.
Word (.docx)	El texto del documento, incluidas las tablas.
Excel (.xlsx, .xls)	Todas las hojas, una fila por línea.
CSV (.csv)	Todas las filas.
PowerPoint (.pptx)	El texto y las tablas de cada diapositiva.

Arrastra archivos al área de carga o selecciona Select Files. Puedes elegir varios a la vez; se suben uno tras otro, y se omite cualquier archivo con otra extensión.

Precaución

Solo se indexa el texto. Un PDF escaneado sin capa de texto, o una diapositiva que solo es una imagen, no genera nada que buscar, y el documento termina en estado failed con el mensaje “No text content found after chunking”. Procesa los archivos escaneados con OCR antes de subirlos.

Estado de los documentos

Cada documento muestra su tamaño, su cantidad de páginas y un estado que se actualiza solo mientras la página está abierta:

Estado	Significado
uploading	Se está recibiendo el archivo.
processing	Se está extrayendo el texto, dividiéndolo en fragmentos e indexándolo.
completed	El documento se puede buscar.
failed	El procesamiento no terminó. El motivo se muestra junto al archivo.

Un agente solo busca en los documentos que se completaron. Una base de conocimiento sin documentos completados no se le ofrece al agente.

Cómo funciona la recuperación

Cuando se adjunta una base de conocimiento, el agente obtiene una búsqueda que puede ejecutar en ella. En cada turno, el modelo decide si debe buscar a partir del nombre y la descripción de la base de conocimiento. La búsqueda devuelve los pasajes más cercanos en significado a la consulta, y el agente redacta su respuesta a partir de ellos, citando cada pasaje en línea como [1], [2], etcétera.

Como el modelo decide cuándo buscar, una descripción vaga provoca búsquedas omitidas. Indica qué contiene y cuándo se aplica, por ejemplo, “Política de reembolsos, cambios y garantía para clientes minoristas”.

Configuración avanzada de RAG

Expande Advanced RAG Configuration en la base de conocimiento para ajustar cómo se dividen y se buscan los documentos. Los valores predeterminados funcionan para la mayoría de los documentos.

Configuración	Predeterminado	Rango	Qué hace
Chunk Size	2000	500–8000	Caracteres por fragmento cuando se indexa un documento. Los fragmentos más grandes contienen más contexto cada uno.
Chunk Overlap	200	0–2000	Caracteres que comparten los fragmentos consecutivos, de modo que una oración dividida en un límite conserve su contexto.
Results per Query	5	1–20	Cuántos fragmentos devuelve cada búsqueda al agente.
Score Threshold	0.00	0–1	Similitud mínima para que se devuelva un fragmento. 0 significa que no hay filtro.
Search Strategy	Similarity		Similarity devuelve primero los fragmentos más relevantes. MMR (Diverse) favorece los resultados relevantes, pero no repetitivos.
MMR Fetch K	20	5–100	Solo para MMR. Cuántos candidatos se consideran antes de reordenar.
Diversity (λ)	0.50	0–1	Solo para MMR. 0 favorece la diversidad y 1 favorece la relevancia.

La configuración de recuperación se aplica a la próxima búsqueda. Chunk Size y Chunk Overlap solo se aplican a los documentos que se suban después de cambiarlos; los documentos ya indexados conservan los fragmentos con los que se crearon. Para volver a indexar un documento existente con una nueva configuración de fragmentos, bórralo y vuelve a subirlo.

El modelo de embeddings que convierte el texto en vectores que se pueden buscar es una configuración del espacio de trabajo (EMBEDDING_PROVIDER y EMBEDDING_MODEL en la configuración del espacio de trabajo). Si lo cambias, todos los documentos deben procesarse de nuevo.

Actualizar y borrar

• Actualizar un documento: borra el archivo anterior y sube la nueva versión. Si subes una segunda copia sin borrar la primera, ambas quedan disponibles para la búsqueda, y el agente podría citar la desactualizada.
• Borrar un documento: selecciona la × que aparece junto a él. Sus pasajes dejan de estar disponibles para la búsqueda.
• Borrar una base de conocimiento: desde la lista Knowledge Bases. Se quitan todos sus documentos.

Prácticas recomendadas

• Mantén el contenido limpio, específico y actualizado. Un documento desactualizado produce respuestas seguras, pero desactualizadas.
• Prefiere varias bases de conocimiento pequeñas y específicas por tema en lugar de una grande y mixta; el agente elige entre ellas según el nombre y la descripción.
• Divide los archivos muy grandes en documentos del tamaño de un tema. Se suben de forma más confiable y se recuperan con más precisión.
• Cuando una respuesta sea incorrecta, verifica primero si el documento de origen es incorrecto o si falta.
• Protege las respuestas importantes con una evaluación. El evaluador groundedness verifica que las respuestas estén respaldadas por lo que el agente realmente recuperó.