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 busca vetorial (semântica) e lexical (por palavras-chave) — isso é a Retrieval-Augmented Generation (RAG).

Como está estruturada

• Base de conhecimento — o índice dos arquivos de um projeto; ela pertence a você.
• Documento de conhecimento — cada arquivo ou fonte que você adiciona a uma base.
• Fragmento de conhecimento — as peças indexadas em que um documento é dividido; a recuperação acontece no nível do fragmento.

As bases de conhecimento têm escopo de usuário — a sua base e o seu conteúdo pertencem a você.

Criar e preencher uma base

1. Abra um projeto ou crie um — os arquivos que você adiciona a ele formam a base de conhecimento dele.
2. Adicione documentos. O ToRun ingere cada documento, divide-o em fragmentos e cria embeddings para a busca semântica.
3. Uma vez indexada, a base fica disponível para fundamentar respostas.

Como funciona a recuperação

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

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

Essa abordagem híbrida capta tanto correspondências do tipo "significa a mesma coisa" quanto "contém exatamente este termo".

Custo

Gerar embeddings de documentos durante a ingestão e responder a perguntas fundamentadas são chamadas de IA, então 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 é indexado mal e recuperado mal.
• Mantenha uma base focada em um único tema ou projeto; uma única base gigante e misturada recupera resultados mais ruidosos.
• Adicione novamente ou atualize os documentos quando o material subjacente mudar — a recuperação só conhece o que está indexado.