Base de Conocimiento (RAG)

El módulo de Base de Conocimiento utiliza tecnología RAG (Retrieval-Augmented Generation) para enriquecer las respuestas de tus agentes de IA con los manuales, catálogos, políticas de devolución, tablas de precios y documentos internos de tu empresa.

Formatos de Archivos Soportados

Puedes alimentar la base de conocimiento utilizando:

• Documentos PDF (.pdf): Catálogos, manuales de usuario, políticas de garantía.
• Archivos de Texto Plano (.txt, .md): Preguntas frecuentes (FAQ), guías rápidas.
• Documentos Word (.docx): Contratos estándar, especificaciones de servicio.
• Páginas Web y URLs: Rastreo automático de páginas públicas de tu sitio web o centro de ayuda.

️ Proceso de Indexación Vectorial

1. Segmentación (Chunking): Los documentos se dividen en fragmentos lógicos semánticos (chunks de 500-1000 tokens con traslape).
2. Generación de Embeddings: Cada fragmento se convierte en un vector multidimensional mediante modelos de incrustación de última generación.
3. Búsqueda Semántica: Cuando un cliente formula una pregunta en WhatsApp, Subflow busca los 3 a 5 fragmentos más relevantes y los inyecta en el contexto de inferencia del LLM en menos de 250ms.

Consejos para Maximizar la Precisión de Respuestas

[!TIP] Estructuración de Documentos:

• Utiliza encabezados claros (#, ##) y listas con viñetas para separar secciones lógicas.
• Agrega una sección explícita de Preguntas Frecuentes (FAQ) en formato Pregunta: ... y Respuesta: ....
• Mantén actualizados los precios y horarios en un documento separado con alta prioridad de búsqueda.