Base de conocimiento

Entrene a su agente con documentos y contenido

​

Descripción general

La Base de conocimiento utiliza RAG (Generación Aumentada por Recuperación) para dar a su agente acceso al contenido de su negocio. Los documentos se dividen en segmentos, se convierten en embeddings vectoriales y se almacenan para la búsqueda semántica.

Navegue a la pestaña Base de conocimiento en el panel del agente. Aquí usted elige qué datos utilizará el agente para sus respuestas.

​

Agregar contenido

​

Documentos

Suba archivos en formatos compatibles:

• PDF
• DOCX
• TXT

​

URLs

Proporcione URLs de páginas web. Revol extraerá el contenido y lo agregará a la base de conocimiento.

​

Texto

Agregue contenido directamente como bloques de texto.

​

Cómo funciona RAG

1. Subir

   Usted sube un documento o agrega contenido.

2. Segmentación

   El contenido se divide en segmentos manejables.

3. Embedding

   Cada segmento se convierte en un embedding vectorial utilizando el modelo de embedding seleccionado.

4. Almacenamiento

   Los embeddings se almacenan en PostgreSQL con la extensión pgvector.

5. Recuperación

   Cuando un usuario hace una pregunta, se recuperan los segmentos más similares utilizando similitud del coseno.

6. Generación

   Los segmentos recuperados se inyectan en el prompt del LLM como contexto.

​

Configuración de RAG

Abra la configuración de RAG a través del icono de engranaje (⚙) en el panel de almacenamiento de la base de conocimientos. Todas las configuraciones son por empresa y se guardan automáticamente.

​

Modelo de embedding

Elija qué modelo convierte su texto en embeddings vectoriales:

Modelo	Proveedor	Dimensiones	Precio	Ideal para
text-embedding-3-small	OpenAI	1536	$0.02/1M tokens	Uso general, contenido en inglés
text-embedding-3-large	OpenAI	1536	$0.13/1M tokens	Mayor precisión, contenido en inglés
BGE-M3	DeepInfra	1024	$0.01/1M tokens	Contenido multilingüe (100+ idiomas)

Cambiar el modelo de embedding elimina todos los embeddings existentes de la empresa. Debe reentrenar todos los agentes después del cambio. Aparecerá un diálogo de confirmación antes de aplicar el cambio.

​

Límite de chunks

Cuántos fragmentos de texto se devuelven por búsqueda RAG (1–20). Predeterminado: 5.

Valores más altos proporcionan más contexto al LLM pero aumentan el uso de tokens.

​

Límite de caracteres

Máximo de caracteres por fragmento al dividir documentos (500–10.000). Predeterminado: 1.500.

Fragmentos más pequeños dan una recuperación más precisa. Más grandes preservan más contexto por resultado.

​

Superposición de chunks

Superposición entre fragmentos consecutivos (0–40%). Predeterminado: 15%.

La superposición asegura que el contexto importante en los límites de los fragmentos no se pierda. Mayor superposición crea más chunks y usa más almacenamiento.

​

Umbral de similitud

Puntuación mínima de similitud coseno para incluir un resultado (0,1–1,0). Predeterminado: 0,35.

Valores más bajos devuelven más resultados (mejor recall). Valores más altos devuelven solo resultados altamente relevantes (mejor precisión). Para contenido multilingüe, use umbrales más bajos (0,3–0,4).

​

Límites de almacenamiento

Plan	Documentos de conocimiento	Tokens de embedding
Gratuito	10	100,000
Premium	100	1,000,000
Profesional	1,000	5,000,000

---

​

Generar base de conocimiento con Claude Code

Si tiene documentación del proyecto (páginas web, portal de documentación, archivos README, wiki) y desea convertirla en una base de conocimiento estructurada para su agente de IA de Revol, puede usar Claude Code para analizar la documentación y generar archivos TXT listos para subir.

Prompt para generación de base de conocimiento

# Instrucción: Generar archivos de base de conocimiento desde documentación

## Contexto

Uso Revol — una plataforma para crear agentes de ventas con IA
y RAG (Retrieval-Augmented Generation). Mi agente responde
preguntas usando una base de conocimiento: los archivos subidos
se dividen en fragmentos (chunks, máx. 2000 caracteres, 20%
de superposición), se convierten en vectores mediante OpenAI
text-embedding-ada-002 (1536 dimensiones), se almacenan en
PostgreSQL con pgvector y se buscan por similitud coseno
durante la inferencia.

Necesito convertir la documentación de mi proyecto en un
conjunto de archivos .txt optimizados para este pipeline RAG —
para que el agente pueda encontrar y citar respuestas precisas.

## Cómo funciona el chunking de RAG (importante para la estructura)

- Cada archivo se divide en chunks de ~2000 caracteres con
  20% de superposición en los límites de oraciones
- El nombre del archivo se convierte en metadatos del embedding —
  usa nombres descriptivos
- Los archivos cortos y enfocados funcionan mejor que uno grande
- Cada chunk debe ser autónomo — un lector debe entenderlo
  sin necesitar el texto circundante
- El contenido estructurado (listas, tablas como texto,
  encabezados claros) se divide mejor que los párrafos largos

## Tu tarea

### Paso 1: Analizar toda la documentación

Lee cada archivo de documentación del proyecto. Para cada
archivo, identifica:

1. El tema que cubre
2. Datos clave, configuraciones y valores
3. Procedimientos paso a paso
4. Descripciones de funciones con detalles (límites, opciones, formatos)
5. Precios, planes y cuotas (si aplica)
6. Detalles técnicos (APIs, parámetros, integraciones)

### Paso 2: Planificar la estructura de archivos

Agrupa contenido relacionado en temas lógicos. Cada archivo
debe cubrir UN tema coherente. Tamaños objetivo:

- Ideal: 2.000–6.000 caracteres por archivo (1–3 chunks)
- Máximo: 10.000 caracteres (5 chunks)
- Si un tema es más grande, divídelo en subtemas

Convención de nombres: {Nombre-Tema}.txt
- Nombres descriptivos con guiones
- Sin prefijos numéricos (el orden no importa para RAG)
- El nombre debe indicar el contenido

Ejemplos:
- Platform-Overview.txt
- Getting-Started.txt
- Pricing-Plans.txt
- API-Authentication.txt
- Webhook-Integration.txt

### Paso 3: Escribir los archivos

Para cada archivo, sigue estas reglas:

Reglas de contenido:
- Comienza con un encabezado claro del tema en texto plano
- Escribe en texto plano — sin Markdown, sin HTML,
  sin componentes JSX
- Convierte tablas en listas legibles o pares clave-valor
- Convierte guías paso a paso en listas numeradas
- Incluye valores específicos: números, límites, precios,
  opciones, valores predeterminados, formatos, URLs
- Cada párrafo debe ser comprensible por sí solo
  (chunks autónomos)
- Elimina elementos de navegación y enlaces sin valor
  informativo
- Mantén el idioma original de la documentación

Optimización para RAG:
- Coloca la información importante primero — respuesta
  antes de explicación
- Usa terminología consistente en todos los archivos
- Repite términos clave naturalmente (mejora la búsqueda)
- Para funciones con configuración: nombre, tipo, valor
  predeterminado, opciones y descripción
- Para integraciones: proveedor, método de auth, pasos
  de configuración, herramientas disponibles

Qué excluir:
- Capturas de pantalla y referencias a imágenes
- Markup de componentes UI (tabs, accordions, cards, frames)
- Enlaces "Ver también" y navegación
- Texto decorativo y contenido de marketing
- Contenido duplicado

### Paso 4: Crear la salida

1. Crea un directorio temporal (ej., temp-knowledge-base/)
2. Escribe todos los archivos .txt en él
3. Lista todos los archivos con tamaños y descripciones
4. Proporciona un resumen: total de archivos y tamaño

## Opcional: Generar un Seeder de Agente con Workflow

Si el proyecto usa Revol y también necesitas crear un agente
de IA con workflow, genera un Laravel database seeder que:

1. Cree un AiAgent con:
   - System prompt apropiado para soporte de documentación
   - LLM: gpt-4o-mini, temperature: 0.3 (precisión)
   - Personalidad: alta claridad (8-9), alta formalidad (6-7),
     poco humor (2-3), pocos emojis (1-2)

2. Construya un workflow Smart Router:
   - Nodo Start con edges basados en keywords hacia nodos expertos
   - 3-6 nodos custom "expertos", cada uno para un grupo temático
   - Cada experto con su conversation_goal describiendo su dominio
   - Cada experto con herramientas search_documents + get_company_info
   - Un edge fallback hacia un nodo General Assistant
   - Todos los expertos conectados a un nodo Formatter
   - Nodos de voz (STT/TTS) inactivos por defecto

3. Las keywords en los edges deben coincidir con el vocabulario
   natural que usan los usuarios

## Entrada

Mi documentación está en: [RUTA O URL]
Nombre del proyecto: [NOMBRE]
Descripción del proyecto: [DESCRIPCIÓN BREVE]
company_id para el seeder: [ID o saltar seeder]

Este prompt funciona mejor con portales de documentación completos, documentación de productos, referencias de API y bases de conocimiento. Los archivos .txt generados están listos para subir directamente al File Manager de Revol — solo arrastre y suelte, luego haga clic en Train.