Base de Conocimiento Vectorial (RAG)
El motor RAG (Retrieval-Augmented Generation) de Matias Impulso garantiza que tus Agentes de IA respondan basándose exclusivamente en la información real y vigente de tu empresa, eliminando alucinaciones sobre precios, cobertura, stock o políticas.
Fuentes de Conocimiento Soportadas
Sección titulada «Fuentes de Conocimiento Soportadas»| Tipo de Fuente | Casos de Uso Ideales | Procesamiento Automático |
|---|---|---|
| Documentos | Reglamentos, fichas técnicas, contratos tipo, manuales operativos. | Extracción limpia de texto, fragmentación semántica con solapamiento (chunking) y generación de embeddings. |
| Preguntas Frecuentes (FAQ) | Objeciones de venta recurrentes, horarios, medios de pago, garantías. | Indexación prioritaria pregunta-respuesta de alta precisión. |
| Páginas Web (URLs) | Landings de servicios, centros de ayuda públicos, términos actualizados. | Rastreo seguro del contenido principal, limpieza de ruido HTML y reindexación bajo demanda. |
| Catálogos Estructurados | Portafolio de productos, planes, tarifas por ciudad o referencias SKU. | Normalización de atributos clave (nombre, precio, disponibilidad, descripción) para búsqueda híbrida. |
Flujo de Recuperación en Tiempo Real
Sección titulada «Flujo de Recuperación en Tiempo Real»-
Reescritura contextual de la consulta
Cuando un cliente escribe “¿Y cuánto vale el envío a Pereira?”, el motor combina la pregunta con el historial reciente del ticket para construir una consulta semántica autocontenida.
-
Búsqueda vectorial en
pgvectorSe calculan los fragmentos más relevantes dentro del espacio aislado de tu
companyIdy de las colecciones autorizadas para ese agente específico. -
Inyección verificada y respuesta fundamentada
Los fragmentos con puntuación superior al umbral de confianza se inyectan como contexto verificable. Si ningún documento respalda un dato crítico, las políticas del agente le instruyen informar con transparencia o transferir a un asesor humano.