Monta una base de conocimiento

Cómo conseguir que un agent responda a partir de tus propios documentos, de principio a fin. Unos veinte minutos, sin terminal, y una decisión por el camino que no se puede deshacer.

Procesamiento de archivos explica la pipeline; esto es la receta.

1. Crea la colección

Knowledge → New. Ponle un nombre que una persona reconozca — es lo que alguien elegirá de una lista más adelante — y un alcance, que decide si es tuya o de la organización.

El modelo de embeddings queda congelado al crearla

Es la única elección de esta página que no puedes cambiar después. La columna vectorial se crea con la anchura de ese modelo, y dos modelos de la misma anchura escriben aun así en espacios distintos — de modo que la búsqueda seguiría comparando vectores que no significan lo mismo.

Cambiar de idea más adelante significa crear una colección nueva y volver a ingerirlo todo. El formulario ofrece los modelos que sirve el provider elegido y preselecciona el primero; déjalo así salvo que tengas un motivo para no hacerlo, y si lo tienes, consulta Elegir un modelo.

En Embeddings, elige el provider que sirve el modelo y el secreto del vault que lo paga. Ambos son obligatorios: no hay clave de embeddings a nivel de deployment, así que una colección sin ella se rechaza aquí en lugar de crearse y quedarse sin poder indexar su primer documento. La clave tiene que ser una del provider elegido; si la organización todavía no tiene ninguna, el formulario junto al selector guarda una. El provider y la clave se pueden cambiar después, el modelo no — consulta Procesamiento de archivos.

Ollama también está en la lista de providers. No toma clave: elígela, uno de sus modelos y el servidor donde responde — un servicio local registrado en Knowledge → Integrations, el propio de la organización o uno que el administrador del deployment haya registrado para todos — y los documentos de la colección no salen nunca de la red del propio deployment. La misma pestaña guarda los servidores OCR para LiteParse, que se eligen en los ajustes de parseo.

Una knowledge base creada sobre un nombre de colección que ya existe adopta en su lugar el provider y la clave de esa colección — la ausencia de clave incluida, porque toda fila de una misma colección tiene que embeber igual. A esa colección dale la clave después, en su propia página.

2. Decide cómo se leen los documentos

Cada colección lleva sus propios ajustes de ingesta, y cada subida puede anularlos. Los valores por defecto son razonables; estos son los tres que merecen una reflexión.

Qué parser lee un PDF.

	Qué es	Elígelo cuando
pymupdf	Local, rápido, gratuito — y el único que extrae las imágenes incrustadas para describirlas	Documentos en los que manda el texto. Empieza aquí
liteparse	Local, atento al diseño, mantiene las tablas como rejillas ASCII en vez de aplanarlas	Documentos cuyo significado está en sus tablas
llamaparse	Un servicio en la nube, facturado por página, devuelve markdown	Documentos escaneados o difíciles que los dos locales destrozan — y aceptas que las páginas salgan de casa

Si usar OCR o no. Activado para escaneos y fotografías de documentos, desactivado en los demás casos. Es más lento y sobre texto limpio se inventa caracteres.

Cómo se cortan las páginas en fragmentos. recursive divide por la estructura y es el valor por defecto correcto; markdown sigue los encabezados, lo que va mejor cuando tus documentos los tienen de verdad; fixed es un recuento tosco de caracteres, para cuando los otros dos producen disparates.

Cambia una cosa cada vez

Estos ajustes interactúan entre sí. Si la recuperación es mala, cambia el parser o la fragmentación, vuelve a ingerir un documento y haz la misma pregunta otra vez.

3. Mete documentos

Dos maneras, y puedes usar las dos en una misma colección.

Sube archivos directamente — el parser que elegiste los lee, los fragmenta, los convierte en embeddings, y el documento figura como processing hasta que eso termina.

Sincroniza una fuente — una carpeta de Google Drive o un bucket de S3, releída según un horario, de modo que la colección sigue a la carpeta en vez de a una copia suya. Consulta Configura las fuentes de sincronización.

Si la ingesta falla en una instalación nueva, revisa la imagen de la base de datos

El almacén lanza CREATE EXTENSION IF NOT EXISTS vector la primera vez que se escribe en una colección, y un Postgres de serie responde extension "vector" is not available — un 500 antes de que se haya confirmado ninguna fila. La imagen tiene que ser pgvector/pgvector:pg16.

4. Dásela a un agent

En el Builder, sobre el agent:

1. Activa la capability Knowledge search.
2. Vincula la colección — un agent busca en las colecciones que tú nombres y en ninguna otra.
3. Fija default_top_k, el número de fragmentos que devuelve una búsqueda.

Empieza por tres. Ocho fragmentos donde bastarían tres son el sobrecoste silencioso más habitual de este producto: el texto recuperado se lee en el turno en que llega, y en cada turno en que se arrastra, y suele ser lo más voluminoso del prompt.

Después dilo en las instructions. La recuperación pone el texto delante del modelo; las instructions deciden qué hace con él:

Answer from the knowledge collection and cite the document you used.
If the collection does not cover it, say so rather than guessing.

Esa segunda frase es la que convierte una invención segura de sí misma en un "eso no lo tengo" — y merece la pena probarla a propósito, preguntando algo que sabes que no está en los documentos.

5. Pruébala

Publica, abre la pestaña Test del agent y haz tres preguntas:

Pregunta	Qué estás comprobando
Algo que está claramente en los documentos	Que la recuperación funciona siquiera, y que la respuesta lleva una cita
Algo que claramente no está en ellos	Que rechaza en vez de inventar
Algo en el límite — un dato en una tabla, o en un escaneo	Si el parser leyó de verdad esa parte

La tercera es la que encuentra los problemas reales, y por eso merece la pena revisar la elección de parser del paso 2 en lugar de fiarse de ella.

Cuando no encuentra algo que sin duda está ahí

Recorre esta lista; está aproximadamente ordenada según la frecuencia con que cada punto es la causa.

1. ¿El documento está en processing o ha fallado? El error de un documento fallido está en el propio documento y dice qué etapa se rindió.
2. ¿La colección está vinculada a este agent? La vinculación es por agent, y una versión publicada lleva las vinculaciones que tenía al publicarse.
3. ¿Leyó el parser esa parte? Abre el documento y mira el texto extraído. Una tabla aplanada en prosa o un escaneo sin OCR es invisible para la búsqueda, por muy claramente que tú lo veas.
4. ¿default_top_k es demasiado pequeño? Tres está bien para un corpus acotado y es demasiado poco para uno amplio.
5. ¿La página está realmente vacía, o falló la petición? Ambas cosas dibujan el mismo "aquí no hay nada". Mira la pestaña de red antes de concluir nada.

Resumen

• El modelo de embeddings queda congelado al crear la colección. Es la única elección irreversible de aquí.
• pymupdf primero, liteparse para documentos cargados de tablas, llamaparse cuando las páginas puedan salir de casa y los otros no den abasto.
• Empieza default_top_k en tres y súbelo solo si a las respuestas les falta contexto de verdad.
• Las instructions tienen que decir "say so rather than guessing" — la recuperación por sí sola no frena la invención.
• Prueba con algo que no esté en los documentos, y con algo enterrado en una tabla.

La pipeline en detalle → · Sincronizar una carpeta →