Baza wiedzy

Trenuj swojego agenta dokumentami i treściami

​

Przegląd

Baza wiedzy wykorzystuje RAG (Retrieval-Augmented Generation), aby dać Twojemu agentowi dostęp do treści biznesowych. Dokumenty są dzielone na fragmenty, konwertowane na osadzenia wektorowe i przechowywane do wyszukiwania semantycznego.

Przejdź do zakładki Baza wiedzy w panelu agenta. Tutaj wybierasz, które dane agent będzie wykorzystywał w swoich odpowiedziach.

​

Dodawanie treści

​

Dokumenty

Przesyłaj pliki w obsługiwanych formatach:

• PDF
• DOCX
• TXT

​

Adresy URL

Podaj adresy URL stron internetowych. Revol pobierze treść i doda ją do bazy wiedzy.

​

Tekst

Dodawaj treść bezpośrednio jako bloki tekstowe.

​

Jak działa RAG

1. Przesyłanie

   Przesyłasz dokument lub dodajesz treść.

2. Fragmentacja

   Treść jest dzielona na zarządzalne fragmenty.

3. Osadzanie

   Każdy fragment jest konwertowany na osadzenie wektorowe za pomocą wybranego modelu embeddingu.

4. Przechowywanie

   Osadzenia są przechowywane w PostgreSQL z rozszerzeniem pgvector.

5. Pobieranie

   Gdy użytkownik zadaje pytanie, najbardziej podobne fragmenty są pobierane za pomocą podobieństwa kosinusowego.

6. Generowanie

   Pobrane fragmenty są wstrzykiwane do promptu LLM jako kontekst.

​

Ustawienia RAG

Otwórz ustawienia RAG przez ikonę koła zębatego (⚙) w panelu przechowywania bazy wiedzy. Wszystkie ustawienia są per firma i zapisują się automatycznie.

​

Model embeddingu

Wybierz model do konwersji tekstu na embeddingi wektorowe:

Model	Dostawca	Wymiary	Cena	Najlepszy do
text-embedding-3-small	OpenAI	1536	$0.02/1M tokenów	Ogólne użycie, treści angielskie
text-embedding-3-large	OpenAI	1536	$0.13/1M tokenów	Wyższa dokładność, treści angielskie
BGE-M3	DeepInfra	1024	$0.01/1M tokenów	Treści wielojęzyczne (100+ języków)

Zmiana modelu embeddingu usuwa wszystkie istniejące embeddingi firmy. Po zmianie musisz ponownie wytrenować wszystkich agentów. Przed zastosowaniem zmiany pojawi się okno potwierdzenia.

​

Limit chunków

Ile fragmentów tekstu jest zwracanych na jedno wyszukiwanie RAG (1–20). Domyślnie: 5.

Wyższe wartości dostarczają więcej kontekstu dla LLM, ale zwiększają zużycie tokenów.

​

Limit znaków

Maksymalna liczba znaków na fragment przy dzieleniu dokumentów (500–10 000). Domyślnie: 1 500.

Mniejsze fragmenty dają dokładniejsze wyszukiwanie. Większe zachowują więcej kontekstu w każdym wyniku.

​

Nakładanie chunków

Nakładanie między kolejnymi fragmentami (0–40%). Domyślnie: 15%.

Nakładanie zapewnia, że ważny kontekst na granicach fragmentów nie zostanie utracony. Większe nakładanie tworzy więcej chunków i zużywa więcej miejsca.

​

Próg podobieństwa

Minimalne podobieństwo kosinusowe do uwzględnienia wyniku (0,1–1,0). Domyślnie: 0,35.

Niższe wartości zwracają więcej wyników (lepszy recall). Wyższe wartości zwracają tylko wysoko trafne wyniki (lepsza precyzja). Dla treści wielojęzycznych używaj niższych progów (0,3–0,4).

​

Limity przechowywania

Plan	Dokumenty wiedzy	Tokeny osadzeń
Darmowy	10	100 000
Premium	100	1 000 000
Profesjonalny	1 000	5 000 000

---

​

Generowanie bazy wiedzy za pomocą Claude Code

Jeśli masz dokumentację projektu (strony internetowe, portal dokumentacji, pliki README, wiki) i chcesz przekształcić ją w strukturalną bazę wiedzy dla swojego agenta AI Revol, możesz użyć Claude Code do analizy dokumentacji i wygenerowania gotowych do przesłania plików TXT.

Prompt do generowania bazy wiedzy

# Instrukcja: Generowanie plików bazy wiedzy z dokumentacji

## Kontekst

Używam Revol — platformy do tworzenia agentów sprzedaży AI
z RAG (Retrieval-Augmented Generation). Mój agent odpowiada
na pytania korzystając z bazy wiedzy: przesłane pliki są
dzielone na fragmenty (chunks, maks. 2000 znaków, 20%
nakładania się), konwertowane na wektory przez OpenAI
text-embedding-ada-002 (1536 wymiarów), przechowywane w
PostgreSQL z pgvector i przeszukiwane za pomocą podobieństwa
kosinusowego podczas inferencji.

Muszę przekształcić dokumentację mojego projektu w zestaw
plików .txt zoptymalizowanych pod ten pipeline RAG — aby
agent mógł znajdować i cytować dokładne odpowiedzi.

## Jak działa chunking RAG (ważne dla struktury plików)

- Każdy plik jest dzielony na fragmenty po ~2000 znaków
  z 20% nakładaniem na granicach zdań
- Nazwa pliku staje się częścią metadanych embeddingu —
  używaj opisowych nazw
- Krótsze, skoncentrowane pliki działają lepiej niż jeden duży
- Każdy chunk powinien być zrozumiały sam w sobie
- Strukturyzowana treść (listy, tabele jako tekst, jasne
  nagłówki) dzieli się lepiej niż ciągły tekst

## Twoje zadanie

### Krok 1: Analiza całej dokumentacji

Przeczytaj każdy plik dokumentacji projektu. Dla każdego
pliku zidentyfikuj:

1. Temat, który obejmuje
2. Kluczowe fakty, ustawienia, konfiguracje i wartości
3. Procedury krok po kroku
4. Opisy funkcji ze szczegółami (limity, opcje, formaty)
5. Ceny, plany i limity (jeśli dotyczy)
6. Szczegóły techniczne (API, parametry, integracje)

### Krok 2: Planowanie struktury plików

Pogrupuj powiązaną treść w logiczne tematy. Każdy plik
powinien obejmować JEDEN spójny temat. Docelowe rozmiary:

- Idealnie: 2 000–6 000 znaków na plik (1–3 chunki)
- Maksymalnie: 10 000 znaków (5 chunków)
- Jeśli temat jest większy, podziel na podtematy

Konwencja nazewnictwa: {Nazwa-Tematu}.txt
- Opisowe nazwy z myślnikami
- Bez prefiksów numerycznych (kolejność nie ma znaczenia dla RAG)
- Nazwa powinna wskazywać na zawartość

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

### Krok 3: Pisanie plików

Dla każdego pliku przestrzegaj tych zasad:

Zasady treści:
- Zacznij od jasnego nagłówka tematu jako zwykły tekst
- Pisz zwykłym tekstem — bez Markdown, bez HTML,
  bez komponentów JSX
- Konwertuj tabele na czytelne listy lub pary klucz-wartość
- Konwertuj instrukcje krok po kroku na listy numerowane
- Podawaj konkretne wartości: liczby, limity, ceny, opcje,
  wartości domyślne, formaty, URL
- Każdy akapit powinien być zrozumiały sam w sobie
  (samodzielne chunki)
- Usuń elementy nawigacyjne i linki bez wartości informacyjnej
- Zachowaj oryginalny język dokumentacji

Optymalizacja pod RAG:
- Umieszczaj ważne informacje na początku — odpowiedź
  przed wyjaśnieniem
- Używaj spójnej terminologii we wszystkich plikach
- Naturalnie powtarzaj kluczowe terminy (poprawia wyszukiwanie)
- Dla funkcji z ustawieniami: nazwa, typ, wartość domyślna,
  opcje i opis
- Dla integracji: dostawca, metoda auth, kroki konfiguracji,
  dostępne narzędzia/funkcje

Co wykluczyć:
- Zrzuty ekranu i odniesienia do obrazów
- Markup komponentów UI (tabs, accordions, cards, frames)
- Linki "Zobacz też" i nawigacja
- Tekst dekoracyjny i treści marketingowe
- Zduplikowana treść

### Krok 4: Utworzenie wyniku

1. Utwórz tymczasowy katalog (np. temp-knowledge-base/)
2. Zapisz wszystkie pliki .txt
3. Wylistuj pliki z rozmiarami i opisami tematów
4. Podaj podsumowanie: łączna liczba plików i rozmiar

## Opcjonalnie: Generowanie seedera agenta z workflow

Jeśli projekt używa Revol i potrzebujesz też stworzyć
agenta AI z workflow, wygeneruj Laravel database seeder, który:

1. Tworzy AiAgent z:
   - Odpowiednim system promptem do wsparcia dokumentacji
   - LLM: gpt-4o-mini, temperature: 0.3 (dokładność)
   - Osobowość: wysoka jasność (8-9), wysoka formalność (6-7),
     mało humoru (2-3), mało emoji (1-2)

2. Buduje workflow Smart Router:
   - Node Start z keyword-edges do node'ów ekspertów
   - 3-6 custom node'ów "ekspertów", każdy dla grupy tematycznej
   - Każdy ekspert ma conversation_goal opisujący domenę
   - Każdy ekspert ma narzędzia search_documents + get_company_info
   - Jeden fallback-edge do node'a General Assistant
   - Wszyscy eksperci połączeni z node'em Formatter
   - Node'y głosowe (STT/TTS) domyślnie nieaktywne

3. Słowa kluczowe na edges powinny odpowiadać naturalnemu
   słownictwu użytkowników

## Dane wejściowe

Moja dokumentacja znajduje się tu: [ŚCIEŻKA LUB URL]
Nazwa projektu: [NAZWA]
Opis projektu: [KRÓTKI OPIS]
company_id dla seedera: [ID lub pomiń seeder]

Ten prompt działa najlepiej z kompleksowymi portalami dokumentacji, dokumentacją produktów, referencjami API i bazami wiedzy. Wygenerowane pliki .txt są gotowe do przesłania bezpośrednio do File Managera Revol — wystarczy przeciągnąć i upuścić, a następnie kliknąć Train.