# Conocimiento y RAG


# Conocimiento y RAG

La generación aumentada por recuperación (RAG) permite que tu agente responda a partir de tus propios documentos en lugar de adivinar: cuando quien llama pregunta algo, el agente busca los pasajes más relevantes y responde a partir de ellos. RAG se configura en la sección **Agregar base de conocimiento** de la pestaña **[LLM](./llm)** en el constructor de agentes en **/agent/setup** — no hay una pestaña de Conocimiento separada.

## Cómo funciona RAG aquí

![Una base de conocimiento con RAG](/img/screenshots/portal/knowledge-base.png)
*Una base de conocimiento: los documentos se dividen en fragmentos, se indexan y se recuperan durante la llamada, con análisis de calidad y cobertura.*

RAG mantiene las respuestas fundamentadas. En lugar de basarse solo en lo que el modelo ya sabe, el agente recupera contenido coincidente de tus documentos y lo usa para responder. Eso significa respuestas precisas y actualizadas sobre tus productos, políticas y procesos — y muchas menos respuestas inventadas.

Antes de poder vincular una base de conocimiento, necesitas una. Sube tus documentos (PDF, DOCX o TXT) y gestiónalos en la [Base de conocimiento](../knowledge-base).

## Antes de vincular

Necesitas una base de conocimiento con contenido antes de que RAG haga algo. El orden es:

1. Sube e indexa tus documentos en la [Base de conocimiento](../knowledge-base).
2. En la pestaña **Model** (LLM), activa **RAG habilitado** y **vincula** esa base de conocimiento al agente.
3. Ajusta el umbral de similitud y top-k abajo.
4. Prueba con preguntas reales y ajusta.

## Vincular una base de conocimiento

En la pestaña **Model** (LLM), activa **RAG habilitado** y **selecciona** la base de conocimiento (o varias) de la que quieres que este agente se nutra. Una vez vinculada, el agente la busca automáticamente durante las llamadas y usa lo que encuentra para responder.

## Umbral de similitud

El **umbral de similitud** establece cuán cerca debe coincidir un pasaje con la pregunta de quien llama antes de usarse.

- Un umbral **más alto** devuelve solo coincidencias fuertes — más preciso, pero el agente puede no encontrar nada para preguntas formuladas de forma vaga.
- Un umbral **más bajo** es más permisivo y muestra más pasajes, con el riesgo de incorporar algunos menos relevantes.

Ajústalo para que el agente encuentre tu contenido de forma fiable sin arrastrar ruido.

## Top-k

**Top-k** establece cuántos de los pasajes mejor coincidentes recupera el agente para cada pregunta.

- Un top-k **más pequeño** mantiene las respuestas ceñidas y enfocadas en las coincidencias más cercanas.
- Un top-k **más grande** da al agente más contexto con el que trabajar, lo que ayuda en preguntas amplias pero puede diluir la respuesta.

:::tip

Empieza con valores conservadores, luego prueba con preguntas reales en la **prueba de chat** en **/agent/chat**. Si el agente pierde respuestas que claramente están en tus documentos, baja el umbral o sube un poco el top-k; si incorpora contenido fuera de tema, haz lo contrario.

:::

## Ajuste de un vistazo

Cuando el agente no responde como quieres, estos dos síntomas cubren la mayoría de los casos:

| Síntoma | Causa probable | Prueba |
| --- | --- | --- |
| El agente dice que no sabe, pero la respuesta está en tus documentos | Umbral demasiado estricto, o top-k demasiado pequeño | Baja el umbral de similitud, o sube un poco el top-k |
| El agente incorpora material fuera de tema o incorrecto | Umbral demasiado laxo, o top-k demasiado grande | Sube el umbral de similitud, o baja el top-k |

Cambia un ajuste a la vez y vuelve a probar, para que puedas saber qué movió realmente el resultado.

## Próximos pasos

- [Sube y gestiona documentos en la Base de conocimiento](../knowledge-base)
- [Da al agente herramientas y acciones MCP](./tools-mcp)
- [Configura el LLM y el modo de pipeline](./llm)
- [Volver a la visión general de agentes](./overview)