Bases de Conhecimento e RAG

Visão geral

Uma base de conhecimento permite fornecer à IA os seus próprios documentos para fundamentar as respostas. O ToRun ingere documentos, divide-os em fragmentos (chunks), indexa-os e, no momento da consulta, recupera os fragmentos mais relevantes usando uma combinação de pesquisa vetorial (semântica) e lexical (por palavras-chave) — isto é a Retrieval-Augmented Generation (RAG).

Como está estruturada

• Base de conhecimento — o índice dos ficheiros de um projeto; pertence-lhe.
• Documento de conhecimento — cada ficheiro ou fonte que adiciona a uma base.
• Fragmento de conhecimento — as peças indexadas em que um documento é dividido; a recuperação acontece ao nível do fragmento.

As bases de conhecimento têm âmbito de utilizador — a sua base e o respetivo conteúdo pertencem-lhe.

Criar e preencher uma base

1. Abra um projeto ou crie um — os ficheiros que lhe adiciona formam a sua base de conhecimento.
2. Adicione documentos. O ToRun ingere cada documento, divide-o em fragmentos e constrói embeddings para a pesquisa semântica.
3. Depois de indexada, a base fica disponível para fundamentar respostas.

Como funciona a recuperação

Quando faz uma pergunta a uma base, o ToRun executa:

1. Pesquisa vetorial — incorpora a sua consulta e encontra fragmentos semanticamente semelhantes.
2. Pesquisa lexical — corresponde diretamente a palavras-chave, captando termos exatos que a pesquisa vetorial pode falhar.
3. Os melhores resultados combinados são passados ao modelo como contexto de fundamentação, e a resposta é gerada a partir deles.

Esta abordagem híbrida capta tanto correspondências do tipo "significa o mesmo" como "contém exatamente este termo".

Custo

Gerar embeddings de documentos durante a ingestão e responder a perguntas fundamentadas são chamadas de IA, pelo que cada uma produz um BillingRecord com um instantâneo de preços. O custo de ingestão é aproximadamente proporcional ao volume de documentos; o custo de consulta é por pergunta.

Dicas

• Adicione documentos limpos e bem estruturados — texto distorcido indexa-se mal e recupera-se mal.
• Mantenha uma base focada num único tema ou projeto; uma única base gigante e misturada recupera resultados mais ruidosos.
• Volte a adicionar ou atualize os documentos quando o material subjacente mudar — a recuperação só conhece o que está indexado.