Skip to main content
A Knowledge Base é o repositório de conhecimento dos seus agentes. Em vez de depender exclusivamente do prompt de sistema, o agente consulta a base durante cada conversa e recupera trechos relevantes antes de formular a resposta. Essa arquitetura é chamada de RAG (Retrieval-Augmented Generation).

​
Conceitos Centrais

ConceitoDescrição
Base de ConhecimentoColeção independente de documentos e conteúdos que um agente pode consultar. Cada base é isolada — os documentos de uma base nunca aparecem nas buscas de outra.
ChunkFragmento de texto gerado pelo processo de divisão de documentos longos. O chunker divide o conteúdo em pedaços de ~4.000 caracteres com sobreposição de ~400 caracteres entre chunks consecutivos para preservar o contexto nas fronteiras.
EmbeddingRepresentação vetorial de um chunk gerada pelo modelo text-embedding-3-small. Cada embedding tem 1.536 dimensões e captura o significado semântico do texto.
RetrievalProcesso de busca por similaridade coseno que compara o embedding da pergunta do usuário com os embeddings armazenados e retorna os chunks mais próximos semanticamente.
RAGRetrieval-Augmented Generation — os chunks recuperados são injetados no contexto do LLM junto com a mensagem do usuário, permitindo que o agente responda com base em informação específica indexada, não em memória de treinamento genérico.

​
Por Que Isso Importa

  1. Respostas baseadas em dados reais: o agente responde com o conteúdo exato que você indexou — políticas, preços, catálogos — e não com inferências genéricas do modelo base.
  2. Atualização sem reprogramação: basta atualizar o conteúdo na base de conhecimento. O agente passa a usar a nova informação imediatamente nas próximas conversas, sem necessidade de modificar o prompt de sistema.
  3. Escopo controlado: a busca é sempre filtrada por knowledge_base_id e company_id, garantindo que dados de um cliente nunca apareçam para outro e que bases distintas permaneçam isoladas mesmo quando um agente acessa múltiplas bases simultaneamente.

​
Como Funciona

1

Ingestão de conteúdo

Você adiciona conteúdo à base — documentos, pares de Q&A, páginas de site ou vídeos do YouTube. O conteúdo é armazenado como documento na tabela knowledge_base_documents.
2

Chunking

A função knowledge-process-document divide o texto em pedaços de ~4.000 caracteres. Uma sobreposição de ~400 caracteres é mantida entre chunks consecutivos para que o contexto não se perca nas fronteiras.
3

Geração de embeddings

Cada chunk é convertido em um vetor de 1.536 dimensões pelo modelo text-embedding-3-small da OpenAI, enviado em lotes de até 100 chunks por requisição. Os vetores são armazenados na tabela knowledge_chunks.
4

Busca semântica

Quando o agente precisa de informação, a função knowledge-search converte a pergunta do usuário em um vetor e executa busca por similaridade coseno. Os chunks mais próximos semanticamente são retornados, ordenados por relevância.
5

Geração aumentada

Os chunks recuperados são injetados no contexto do LLM junto com a mensagem do usuário. O agente formula a resposta com base nessa informação específica, não em conhecimento genérico de pré-treinamento.

​
Tipos de Conteúdo Suportados

TipoDescrição
DocumentosPDFs, arquivos de texto e documentos enviados por upload. O processador extrai o texto, divide em chunks e gera embeddings.
Q&APares de pergunta e resposta adicionados manualmente. Indexados instantaneamente, sem pipeline assíncrono. Alta precisão porque você controla exatamente o que será recuperado.
WebsiteURLs rastreadas pelo crawler. O sistema percorre as páginas, extrai o conteúdo textual e indexa como documentos. Útil para manter a base sincronizada com documentação pública.
YouTubeURLs de vídeos. O sistema baixa a transcrição automática, divide em chunks e indexa. Útil para bases de tutoriais em vídeo.

​
Ciclo de Vida do Conhecimento

1

Criação da base

Uma base de conhecimento é criada no módulo de Knowledge, recebe um nome e fica associada ao workspace. Começa vazia, sem documentos.
2

Adição de conteúdo

Documentos, Q&As, URLs e vídeos são adicionados à base. Cada fonte passa pelo pipeline de processamento correspondente ao seu tipo.
3

Processamento e indexação

O conteúdo é processado de forma assíncrona: chunking, vetorização e armazenamento. O status muda de Processando para Indexado quando concluído.
4

Conexão ao agente

A base é conectada a um ou mais agentes na aba de Treinamento. Os parâmetros de retrieval — top-k e threshold de similaridade — são configurados por base.
5

Uso em produção

O agente consulta a base automaticamente em cada conversa. Quando a pergunta do usuário tem correspondência semântica acima do threshold, os chunks relevantes são incluídos no contexto da resposta.

​
Exemplo

Uma empresa de software conecta três bases ao mesmo agente de suporte:
  • Base “FAQ Produto” com respostas para as perguntas mais frequentes sobre funcionalidades
  • Base “Documentação Técnica” com manuais e guias de integração
  • Base “Políticas Comerciais” com regras de cancelamento, reembolso e contratos
Quando um usuário pergunta “como cancelo minha assinatura?”, o agente busca nas três bases simultaneamente, recupera os chunks mais relevantes da base “Políticas Comerciais” e formula uma resposta precisa com base nas regras reais da empresa.