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.
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.
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.
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.
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 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.
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).
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## ContextoUso Revol — una plataforma para crear agentes de ventas con IAy RAG (Retrieval-Augmented Generation). Mi agente respondepreguntas usando una base de conocimiento: los archivos subidosse dividen en fragmentos (chunks, máx. 2000 caracteres, 20%de superposición), se convierten en vectores mediante OpenAItext-embedding-ada-002 (1536 dimensiones), se almacenan enPostgreSQL con pgvector y se buscan por similitud cosenodurante la inferencia.Necesito convertir la documentación de mi proyecto en unconjunto 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 documentaciónLee cada archivo de documentación del proyecto. Para cadaarchivo, identifica:1. El tema que cubre2. Datos clave, configuraciones y valores3. Procedimientos paso a paso4. 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 archivosAgrupa contenido relacionado en temas lógicos. Cada archivodebe 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 subtemasConvención de nombres: {Nombre-Tema}.txt- Nombres descriptivos con guiones- Sin prefijos numéricos (el orden no importa para RAG)- El nombre debe indicar el contenidoEjemplos:- Platform-Overview.txt- Getting-Started.txt- Pricing-Plans.txt- API-Authentication.txt- Webhook-Integration.txt### Paso 3: Escribir los archivosPara 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 documentaciónOptimización 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 disponiblesQué 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 salida1. Crea un directorio temporal (ej., temp-knowledge-base/)2. Escribe todos los archivos .txt en él3. Lista todos los archivos con tamaños y descripciones4. Proporciona un resumen: total de archivos y tamaño## Opcional: Generar un Seeder de Agente con WorkflowSi el proyecto usa Revol y también necesitas crear un agentede 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 defecto3. Las keywords en los edges deben coincidir con el vocabulario natural que usan los usuarios## EntradaMi 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.
