Plataforma
Bases de Conocimiento
Un modelo de IA por defecto no sabe qué vendes ni cuáles son tus políticas. Una base de conocimiento le da a tu agente el catálogo, políticas de envío, FAQs y documentación. Subes tus datos una vez y Daguito los vectoriza. Cuando un cliente pregunta, el agente busca la respuesta correcta en tu información real.
Retrieval
Se buscan documentos relevantes en tu base de conocimiento usando búsqueda semántica (vectores).
Augmented
Los fragmentos recuperados se añaden al contexto del modelo de IA.
Generation
El modelo genera una respuesta basada en tu información, no en alucinaciones.
Cómo funciona
El proceso tiene tres etapas: busca documentos relevantes, los añade al contexto del modelo, y el modelo genera una respuesta basada en esa información.
Búsqueda semántica
Cuando haces una pregunta, el sistema la convierte en un vector y compara con millones de vectores almacenados. Los más cercanos son los más relevantes. Es como buscar sinónimos automáticamente — "precio" y "costo" se encuentran aunque no sean la misma palabra.
Ejemplo: Búsqueda Semántica
Cuando un cliente pregunta "¿cuánto cuesta?", el sistema busca documentos con significado similar, no solo palabras exactas:
Búsqueda semántica (Builders)
Query por relevancia, no por keywords. El sistema busca el significado de la pregunta contra todos tus documentos vectorizados.
const results = await daguito.kb.search({
kb_id: 'kb-uuid-123',
query: '¿cuál es el precio?',
limit: 5
})
// → [
// { text: "Costo: $100", score: 0.98, source: "pricing.pdf" },
// { text: "Total: $100 + envío", score: 0.94, source: "faq.md" },
// ...
// ]Agregar conocimiento
Carga documentos desde el panel de la plataforma. Sube archivos, pega texto o conecta URLs — Daguito se encarga del troceado, la vectorización y el almacenamiento. Después conecta la base a un nodo Knowledge Search en tu flujo para que el agente la use automáticamente.
Ingesta de documentos (Builders)
Sube texto directo, URLs o archivos. Daguito los vectoriza en background.
// Texto directo
await daguito.kb.addText({
kb_id: 'kb-123',
text: 'Envío 3-5 días hábiles',
source: 'shipping-policy'
})
// URL (se rastrea automáticamente)
await daguito.kb.addUrl({
kb_id: 'kb-123',
url: 'https://shop.com/policies'
})
// Archivo
await daguito.kb.upload({
kb_id: 'kb-123',
file: new File([...], 'catalog.pdf')
})Metadata y filtros (Builders)
Etiqueta documentos. Filtra búsquedas por región, tipo, versión, etc.
// Ingesta con metadata
await daguito.kb.addText({
kb_id: 'kb-123',
text: 'Desc 20% primeras compras',
metadata: {
type: 'promo',
valid_until: '2024-12-31',
regions: ['AR', 'BR']
}
})
// Búsqueda con filtro
const results = await daguito.kb.search({
kb_id: 'kb-123',
query: 'descuentos',
filter: { type: 'promo', regions: 'AR' }
})Usar el conocimiento en agentes
Conecta tu base de conocimiento a un nodo agent en el editor de flujos. Agrega la herramienta search_knowledge_base a la lista de tools. A partir de ahí, el agente decide automáticamente cuándo necesita buscar contexto.
Cuando el agente requiere información para responder, invoca la búsqueda contra tu base de conocimiento. Recibe los fragmentos más relevantes ordenados por similitud, y los usa como contexto para generar la respuesta.
Conectar al agente en un flujo (Builders)
Arrastra el nodo Knowledge Search al lienzo y conéctalo al AI Agent.
// En el editor de flujos, agrega el nodo Knowledge Search
// y conéctalo al AI Agent:
// 1. Arrastra un nodo "Knowledge Search" al canvas
// 2. Configura el kb_id (selecciona tu base)
// 3. Conecta: output "hits" → input "context" del AI Agent
// El agente ahora busca automáticamente cuando necesita info:
// Cliente: "¿cuánto cuesta el plan Pro?"
// Agente → search_knowledge_base({ query: "precio plan Pro" })
// → hits: [{ text: "Plan Pro: $49/mes", score: 0.96 }]
// → respuesta: "El plan Pro cuesta $49 al mes."