> ## Documentation Index > Fetch the complete documentation index at: https://revolai.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # 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. Baza wiedzy Baza wiedzy ## 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 Przesyłasz dokument lub dodajesz treść. Treść jest dzielona na zarządzalne fragmenty. Każdy fragment jest konwertowany na osadzenie wektorowe za pomocą wybranego modelu embeddingu. Osadzenia są przechowywane w PostgreSQL z rozszerzeniem pgvector. Gdy użytkownik zadaje pytanie, najbardziej podobne fragmenty są pobierane za pomocą podobieństwa kosinusowego. 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. ```text theme={null} # 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**.