> ## 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. # База знань > Навчайте вашого агента за допомогою документів та контенту ## Огляд База знань використовує **RAG (Retrieval-Augmented Generation)**, щоб надати вашому агенту доступ до бізнес-контенту. Документи розбиваються на частини (chunks), перетворюються на векторні embeddings та зберігаються для семантичного пошуку. Перейдіть на вкладку **Knowledge Base** в панелі агента. Тут ви обираєте, які саме дані агент використовуватиме для відповідей. Knowledge Base Knowledge Base ## Додавання контенту ### Документи Завантажуйте файли у підтримуваних форматах: * PDF * DOCX * TXT ### URL-адреси Вкажіть URL-адреси веб-сторінок. Revol збере контент та додасть його до бази знань. ### Текст Додавайте контент безпосередньо як текстові блоки. ## Як працює RAG Ви завантажуєте документ або додаєте контент. Контент розбивається на керовані частини (chunks). Кожна частина перетворюється на векторний embedding за допомогою обраної моделі ембедінгу. Embeddings зберігаються в PostgreSQL з розширенням pgvector. Коли користувач ставить питання, найбільш подібні частини отримуються за допомогою косинусної подібності (cosine similarity). Отримані частини додаються до промпту LLM як контекст. ## Налаштування RAG Відкрийте налаштування RAG через **іконку шестеренки** (⚙) в панелі зберігання бази знань. Всі налаштування зберігаються на рівні компанії та автоматично. ### Модель ембедінгу Оберіть модель для перетворення тексту у векторні ембедінги: | Модель | Провайдер | Розмірність | Ціна | Найкраще для | | ---------------------- | --------- | ----------- | ----------------- | ------------------------------------------ | | text-embedding-3-small | OpenAI | 1536 | \$0.02/1M токенів | Загальне використання, англійський контент | | text-embedding-3-large | OpenAI | 1536 | \$0.13/1M токенів | Вища точність, англійський контент | | BGE-M3 | DeepInfra | 1024 | \$0.01/1M токенів | Мультимовний контент (100+ мов) | Зміна моделі ембедінгу **видаляє всі існуючі ембедінги** компанії. Після перемикання потрібно перенавчити всіх агентів. Перед застосуванням зміни з'явиться діалог підтвердження. ### Ліміт чанків Скільки текстових фрагментів повертається за один RAG-пошук (1–20). За замовчуванням: **5**. Більше значення дає більше контексту для LLM, але збільшує використання токенів. ### Ліміт символів Максимум символів на фрагмент при розбитті документів (500–10,000). За замовчуванням: **1,500**. Менші фрагменти дають точніший пошук. Більші — зберігають більше контексту в кожному результаті. ### Перекриття чанків Перекриття між послідовними фрагментами (0–40%). За замовчуванням: **15%**. Перекриття гарантує, що важливий контекст на межах фрагментів не буде втрачено. Більше перекриття створює більше чанків та використовує більше сховища. ### Поріг подібності Мінімальна косинусна подібність для включення результату (0.1–1.0). За замовчуванням: **0.35**. Нижчі значення повертають більше результатів (краща повнота). Вищі — лише високорелевантні результати (краща точність). Для мультимовного контенту використовуйте нижчі пороги (0.3–0.4). ## Ліміти зберігання | План | Документи бази знань | Embedding токени | | ------------ | -------------------- | ---------------- | | Free | 10 | 100,000 | | Premium | 100 | 1,000,000 | | Professional | 1,000 | 5,000,000 | *** ## Генерація бази знань за допомогою Claude Code Якщо у вас є документація проекту (сторінки сайту, портал документації, README файли, wiki) і ви хочете перетворити її на структуровану базу знань для вашого AI-агента Revol, ви можете використати **Claude Code** для аналізу документації та генерації готових до завантаження TXT файлів. ```text theme={null} # Інструкція: Генерація файлів бази знань із документації ## Контекст Я використовую Revol — платформу для створення AI-агентів продажів з RAG (Retrieval-Augmented Generation). Мій агент відповідає на питання, використовуючи базу знань: завантажені файли розбиваються на частини (chunks, макс. 2000 символів, 20% перекриття), перетворюються на вектори через OpenAI text-embedding-ada-002 (1536 вимірів), зберігаються в PostgreSQL з pgvector і шукаються за косинусною подібністю під час інференсу. Мені потрібно перетворити документацію мого проекту на набір .txt файлів, оптимізованих для цього RAG-пайплайну — щоб агент міг знаходити й цитувати точні відповіді. ## Як працює RAG-розбиття (важливо для структури файлів) - Кожен файл розбивається на частини по ~2000 символів з 20% перекриттям на межах речень - Назва файлу стає частиною метаданих embedding — використовуйте описові назви, щоб система могла ідентифікувати джерело - Короткі, сфокусовані файли працюють краще, ніж один великий - Кожна частина (chunk) має бути самодостатньою — читач повинен розуміти частину без оточуючого тексту - Структурований контент (списки, таблиці як текст, чіткі заголовки) розбивається краще, ніж суцільні абзаци ## Твоє завдання ### Крок 1: Аналіз усієї документації Прочитай кожен файл документації проекту. Для кожного файлу визнач: 1. Тему, яку він охоплює 2. Ключові факти, налаштування, конфігурації та значення 3. Покрокові процедури 4. Описи функцій з конкретикою (ліміти, опції, формати) 5. Тарифи, плани та квоти (якщо є) 6. Технічні деталі (API, параметри, інтеграції) ### Крок 2: Планування структури файлів Згрупуй пов'язаний контент за логічними темами. Кожен файл має охоплювати ОДНУ цілісну тему. Цільові розміри файлів: - Ідеально: 2 000–6 000 символів на файл (1–3 chunks) - Максимум: 10 000 символів (5 chunks) - Якщо тема більша — розбий на підтеми Конвенція іменування: {Назва-Теми}.txt - Описові назви з дефісами - Без числових префіксів (порядок не важливий для RAG) - Назва має натякати на вміст для метаданих Приклади: - Platform-Overview.txt - Getting-Started.txt - Pricing-Plans.txt - API-Authentication.txt - Webhook-Integration.txt ### Крок 3: Написання файлів Для кожного файлу дотримуйся цих правил: Правила контенту: - Починай з чіткого заголовка теми як звичайний текст - Пиши звичайним текстом — без Markdown, без HTML, без JSX-компонентів - Перетворюй таблиці на читабельні списки або пари ключ-значення - Перетворюй покрокові інструкції на нумеровані списки - Включай конкретні значення: числа, ліміти, ціни, опції, значення за замовчуванням, формати, URL - Кожен абзац або розділ має бути зрозумілим окремо (самодостатні chunks) - Видаляй навігаційні елементи, посилання "Далі" та перехресні посилання без інформаційної цінності - Зберігай мову оригіналу документації Оптимізація для RAG: - Виноси важливу інформацію на початок — спочатку відповідь, потім пояснення - Використовуй єдину термінологію в усіх файлах - Природно повторюй ключові терміни, щоб вони з'являлися в декількох chunks (покращує пошук) - Для функцій з налаштуваннями: вказуй назву, тип, значення за замовчуванням, опції та опис - Для інтеграцій: вказуй провайдера, метод авторизації, кроки налаштування, доступні інструменти/функції Що виключати: - Скріншоти та посилання на зображення - Розмітку UI-компонентів (tabs, accordions, cards, frames) - Посилання "Див. також" та навігаційні блоки - Декоративний текст та маркетинговий вміст - Дублікат контенту (не повторюй одну інформацію в різних файлах) ### Крок 4: Створення результату 1. Створи тимчасову директорію (напр., temp-knowledge-base/) 2. Запиши всі .txt файли в неї 3. Перелічи всі файли з розмірами та описами тем 4. Надай підсумок: загальна кількість файлів і розмір ## Опціонально: Генерація сідера Workflow-агента Якщо проект використовує Revol і тобі також потрібно створити AI-агента з workflow для відповідей на запитання щодо цієї документації, згенеруй Laravel database seeder, який: 1. Створює AiAgent з: - Відповідним system prompt для підтримки документації - LLM: gpt-4o-mini, temperature: 0.3 (точність) - Personality: висока ясність (8-9), висока формальність (6-7), низький гумор (2-3), мало емодзі (1-2) 2. Будує Smart Router workflow: - Start-нода з keyword-edges до нод-експертів - 3-6 кастомних нод "експертів", кожна для групи тем - Кожен експерт має свій conversation_goal з описом домену - Кожен експерт має інструменти search_documents + get_company_info - Один fallback-edge до ноди General Assistant - Всі експерти з'єднані з Formatter-нодою - Voice-ноди (STT/TTS) неактивні за замовчуванням 3. Ключові слова на edges мають відповідати природній лексиці, яку використовують користувачі при запитаннях з кожної теми ## Вхідні дані Моя документація знаходиться тут: [ШЛЯХ АБО URL] Назва проекту: [НАЗВА] Опис проекту: [КОРОТКИЙ ОПИС] Target company_id для сідера: [ID або пропустити сідер] ``` Цей промпт найкраще працює з комплексними порталами документації, документацією продуктів, довідниками API та базами знань. Згенеровані .txt файли готові для завантаження безпосередньо у File Manager Revol — просто перетягніть та натисніть **Train**.