Plataforma
Bases de Conhecimento
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.
Como funciona
O processo tem três etapas: busca documentos relevantes, os adiciona ao contexto do modelo, e o modelo gera uma resposta baseada nessa informação.
Busca semântica
Quando você faz uma pergunta, o sistema a converte em um vetor e compara com milhões de vetores armazenados. Os mais próximos são os mais relevantes. É como buscar sinônimos automaticamente — "preço" e "custo" são encontrados mesmo não sendo a mesma palavra.
Exemplo: Busca Semântica
Quando um cliente pergunta "quanto custa?", o sistema busca documentos com significado similar, não apenas palavras exatas:
Busca semântica (Builders)
Busca por relevância, não por palavras-chave. O sistema busca o significado da pergunta em todos os seus documentos vetorizados.
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" },
// ...
// ]Adicionar conhecimento
Envie documentos pelo painel da plataforma. Envie arquivos, cole texto ou conecte URLs — Daguito cuida da fragmentação, vetorização e armazenamento. Depois conecte a base a um nó Knowledge Search no seu fluxo para que o agente use automaticamente.
Ingesta de documentos (Builders)
Envie texto direto, URLs ou arquivos. Daguito os vetoriza em 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')
})Metadados e filtros (Builders)
Etiquete documentos. Filtre buscas por região, tipo, versão, 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 o conhecimento em agentes
Conecte sua base de conhecimento a um nó agent no editor de fluxos. Adicione a ferramenta search_knowledge_base à lista de tools. A partir daí, o agente decide automaticamente quando precisa buscar contexto.
Quando o agente precisa de informação para responder, ele aciona a busca na sua base de conhecimento. Recebe os fragmentos mais relevantes ordenados por similaridade e os usa como contexto para gerar a resposta.
Conectar ao agente em um fluxo (Builders)
Arraste o nó Knowledge Search para o canvas e conecte ao 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."