DocumentaciónRAG

Fundamenta cada respuesta en tu conocimiento.

Seleccione una arquitectura de recuperación, configure sus modelos y límites de búsqueda, luego indexe los documentos que deberían fundamentar las respuestas.

Configuración de un vistazo

6 patrones de recuperación

Cada RAG requiere un nombre, un modelo de incrustación y una dimensión vectorial. Los modelos de gráficos, enrutadores, visión y síntesis aparecen solo cuando sus capacidades están habilitadas.

Descripción general

Construya un canal de recuperación

Una configuración RAG convierte documentos fuente en vectores y recupera el contexto relevante para cada consulta. Los patrones más avanzados agregan reclasificación, extracción visual, recorrido de gráficos, búsqueda léxica o enrutamiento basado en intención.

1. Arquitecta

Elija la estrategia de recuperación según la forma de su conocimiento.

2. Configurar

Seleccione modelos, dimensiones vectoriales y parámetros de recuperación acotados.

3. Tierra

Cargue documentos, espere la indexación e inspeccione la recuperación con consultas reales.

Step 01

Seleccione un patrón RAG

Cada patrón activa una ruta de recuperación diferente y expone solo su modelo relevante y sus controles de ajuste en el paso dos.

Ingenuo RAG

Búsqueda de incrustación semántica directa seguida de generación de respuestas fundamentadas.

Recuperar y reclasificar

Recupera un amplio grupo de candidatos y luego aplica una reclasificación neuronal para mantener los pasajes más sólidos.

Multimodal RAG

Combina la recuperación de texto con descripciones extraídas de imágenes, cuadros y diagramas.

Gráfico RAG

Extrae entidades y relaciones y luego recorre un gráfico de conocimiento para un contexto de múltiples saltos.

Híbrido RAG

Fusiona una densa similitud de vectores con una escasa coincidencia de palabras clave BM25 para una recuperación equilibrada.

Enrutador RAG

Clasifica cada consulta y la encamina entre búsqueda de vectores, recorrido de gráficos o respuesta directa.

Step 02 · Section 01

Detalles de RAG

Identifique la base de conocimientos y describa el dominio cubierto por sus fuentes indexadas.

RAG Sección de detalles con nombre y descripción — Crear RAG · Configuración de identidad

Nombre RAGDOCS.REQUERIDA

El nombre para mostrar utilizado en los directorios y selectores RAG para agentes, widgets y destinos API.

Utilice un nombre orientado al dominio, como Enterprise Knowledge Base o Technical Manual Search.

DescripciónDOCS.OPCIONAL

Un resumen conciso del dominio del conocimiento, el material fuente y el propósito de la recuperación.

Esto ayuda a los colaboradores a elegir la base de conocimientos correcta; no se inserta en el contexto recuperado.

Step 02 · Section 02

Modelo de incrustación vectorial

El modelo de incrustación convierte fragmentos de documentos y consultas en vectores numéricos. La dimensión seleccionada corrige la forma del vector utilizada para la indexación y la búsqueda de similitudes.

Modelo de incrustaciónRequerida

Selecciona el modelo de proveedor utilizado para codificar tanto fragmentos de documentos como consultas entrantes.

Utilice la misma configuración de incrustación durante toda la vida útil de un índice para vectores comparables.

Dimensión vectorialRequerida

Establece el número de valores numéricos almacenados para cada representación vectorial.

Las dimensiones disponibles dependen del modelo; la interfaz actual ofrece valores admitidos como 256, 512, 768, 1536 y 3072.

Step 02 · Section 03

Modelo de IA de reranking

El modelo de reranking aplica un cross-encoder neuronal para puntuar cada pasaje candidato según la consulta del usuario después de una amplia recuperación vectorial. Reordena los candidatos para que el contexto final conserve los pasajes más relevantes.

Modelo de rerankingRequerida

Selecciona el cross-encoder utilizado para puntuar los candidatos de la búsqueda vectorial según cada consulta.

Es obligatorio para Retrieve-and-Rerank. Reordena el conjunto inicial_top_k de candidatos antes de devolver los pasajes final_top_k.

Step 02 · Sections 04–07

Modelos especializados AI

Los modelos adicionales aparecen sólo cuando la arquitectura o una capacidad opcional los necesita. Cada modelo de razonamiento compatible también puede exponer un selector de esfuerzo después de la selección.

Sección Modelo de extracción de gráficos de conocimiento — Gráfico RAG · Extracción de entidades y relaciones

Sección Modelo de clasificador de intención de consulta — Enrutador RAG · Clasificación de consultas

Sección de modelo de descripción de medios y visión habilitada — Opcional · Extracción de recursos visuales

Sección de modelo de síntesis de respuesta habilitada AI — Opcional · Síntesis de respuesta fundamentada

Modelo gráficoCondicional

Extrae nodos de entidad, relaciones semánticas y tripletas estructuradas durante la indexación.

Requerido por Graph RAG y Router RAG.

Modelo de enrutadorCondicional

Clasifica la intención entrante y selecciona la recuperación de vectores, el recorrido de gráficos o la respuesta directa.

Requerido únicamente por el enrutador RAG.

Modelo de visiónCondicional

Describe imágenes, cuadros y diagramas para que la información visual pueda unirse al contexto de búsqueda.

Alternancia opcional. Una vez habilitado, es necesario seleccionar un modelo compatible.

Modelo de respuestaCondicional

Convierte los pasajes recuperados en una respuesta conversacional fundamentada para consultas y widgets RAG independientes.

Alternancia opcional. Cuando está deshabilitada, la canalización devuelve directamente pasajes de contexto formateados.

Esfuerzo de razonamientoCondicional

Aplica un nivel de esfuerzo admitido a modelos de gráficos, enrutadores, visión o respuesta.

Se muestra solo cuando el modelo seleccionado publica opciones de esfuerzo de razonamiento.

TemperaturaCondicional

Controla la variación en la producción generada para las etapas generativas aplicables.

Predeterminado: 0,2. Rango: 0,0–2,0; No disponible para modelos que no admiten temperatura.

Step 02 · Section 08

Parámetros de arquitectura y recuperación

Los controles deslizantes controlan la cantidad de contexto candidato recopilado en cada etapa. La tarjeta cambia con el patrón seleccionado, por lo que solo se muestran los parámetros utilizados por esa canalización.

Sección de parámetros de recuperación y arquitectura del enrutador RAG — Crear RAG · Parámetros de recuperación del enrutador

Parámetro	Patrona	Predeterminado/rango	Objetivo
top_k	Ingenua, multimodal, enrutador	5·1–50	Pasajes inyectados en el contexto final.
inicial_top_k	Recuperar y reclasificar	25 · 5–100	Amplio grupo de candidatos semánticos antes de la reclasificación.
final_top_k	Reclasificar, híbrido	5·1–20	Pasajes retenidos después de la reclasificación o fusión de rangos.
vector_top_k	Gráfico	4·1–20	Fragmentos de semillas semánticas utilizados para localizar entidades gráficas.
profundidad_grafo	Gráfico	1 · 1–3	Saltos de relación atravesados desde las entidades semilla.
límite_grafo	Gráfico	20 · 1–100	Triples máximos de relación entidad agregados al contexto.
vector_k	Híbrida	15 · 1–50	Candidatos semánticos densos incluidos en la fusión de rangos.
bm25_k	Híbrida	15 · 1–50	Candidatos léxicos escasos incluidos en la fusión de rangos.

Step 02 · Section 08

Documentos de la base de conocimientos

Guarde primero el RAG para permitir la carga de documentos. Los archivos cargados se indexan con el modelo de incrustación seleccionado y quedan disponibles para su recuperación una vez que se completa el procesamiento.

Cambiar el modelo de incrustación o la dimensión del vector después de la indexación puede requerir reprocesar los documentos para que los vectores almacenados sigan siendo compatibles.

Step 02 · Section 09

Prueba de consultas en vivo

Después de guardar e indexar documentos, envíe consultas representativas para inspeccionar la respuesta fundamentada, los fragmentos recuperados, los hechos extraídos, los pasos de ejecución y el contexto ensamblado.

Requerido antes de guardar

Patrón, nombre RAG, modelo de incrustación, dimensión vectorial y todos los modelos requeridos por la arquitectura seleccionada.

Después de la creación

Utilice preguntas que requieran hechos exactos y síntesis de múltiples fuentes, luego ajuste los límites de recuperación según la evidencia devuelta.