Bases de conocimiento y RAG

Resumen

Una base de conocimiento te permite darle a la IA tus propios documentos para fundamentar sus respuestas. ToRun ingiere documentos, los divide en fragmentos (chunks), los indexa y, en el momento de la consulta, recupera los fragmentos más relevantes mediante una combinación de búsqueda vectorial (semántica) y léxica (por palabras clave) — esto es Retrieval-Augmented Generation (RAG).

Cómo está estructurada

• Base de conocimiento — el índice de los archivos de un proyecto; te pertenece.
• Documento de conocimiento — cada archivo o fuente que añades a una base.
• Fragmento de conocimiento — las piezas indexadas en las que se divide un documento; la recuperación ocurre a nivel de fragmento.

Las bases de conocimiento tienen alcance de usuario — tu base y su contenido te pertenecen.

Crear y poblar una base

1. Abre un proyecto o crea uno: los archivos que le añades forman su base de conocimiento.
2. Añade documentos. ToRun ingiere cada documento, lo divide en fragmentos y genera embeddings para la búsqueda semántica.
3. Una vez indexada, la base queda disponible para fundamentar respuestas.

Cómo funciona la recuperación

Cuando haces una pregunta contra una base, ToRun ejecuta:

1. Búsqueda vectorial — incrusta tu consulta y encuentra fragmentos semánticamente similares.
2. Búsqueda léxica — coincide directamente con palabras clave, capturando términos exactos que la búsqueda vectorial puede pasar por alto.
3. Los mejores resultados combinados se pasan al modelo como contexto de fundamentación, y la respuesta se genera a partir de ellos.

Este enfoque híbrido captura tanto coincidencias de tipo "significa lo mismo" como "contiene exactamente este término".

Coste

Generar embeddings de documentos durante la ingesta y responder preguntas fundamentadas son llamadas de IA, por lo que cada una produce un BillingRecord con una instantánea de precios. El coste de ingesta es aproximadamente proporcional al volumen de documentos; el coste de consulta es por pregunta.

Consejos

• Añade documentos limpios y bien estructurados — el texto distorsionado se indexa mal y se recupera mal.
• Mantén una base centrada en un solo tema o proyecto; una única base gigante y mezclada recupera resultados más ruidosos.
• Vuelve a añadir o actualiza los documentos cuando cambie el material subyacente — la recuperación solo conoce lo que está indexado.