> ## Documentation Index
> Fetch the complete documentation index at: https://docs.inagent.inconcertcx.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Bases de conocimiento - Visión general

> Las Bases de conocimiento en Inagent permiten que un agente virtual responda preguntas de los usuarios utilizando información confiable y actualizada proveniente de documentos, texto nativo o sitios externos.

## Arquitectura basada en RAG

El motor de conocimiento de Inagent se apoya en un enfoque **RAG (Retrieval-Augmented Generation)**:

1. **Resumen de la pregunta**
   * Cuando un usuario hace una pregunta, el agente **la resume y la contextualiza** para comprender la intención real.
2. **Búsqueda semántica**
   * El motor busca en un **índice semántico** los fragmentos de información (chunks) más relevantes.
   * Esta búsqueda no depende solo de palabras exactas, sino de **significado**, aumentando la precisión.
3. **Selección de top 5**
   * Se seleccionan los **5 fragmentos más cercanos** al contexto de la pregunta.
4. **Generación de respuesta**
   * Con esos fragmentos, el agente **elabora una respuesta final**, citando y combinando la información encontrada.

<info>
  Este enfoque permite que el agente mantenga respuestas **contextuales y confiables**,\
  incluso cuando los documentos son extensos o están en varios formatos.
</info>

***

## Proceso de indexado (diseño de base)

Cuando cargas un documento o agregas texto en la base de conocimiento,\
Inagent realiza un **preprocesamiento automático** para optimizar la búsqueda:

* **División en chunks**: los documentos se cortan en fragmentos manejables (por ejemplo, 500–1000 tokens).
* **Overlapping**: cada fragmento se solapa con el siguiente para **preservar el contexto entre secciones**.
* **Creación de embeddings semánticos**: se genera un vector para cada chunk que permite búsquedas por significado.
* **Construcción del índice semántico**: la base queda lista para responder en milisegundos.

<tip>
  Este proceso es transparente para el usuario, pero entenderlo ayuda a optimizar la carga de contenido: documentos bien estructurados producen fragmentos más precisos.
</tip>

***

## Tipos de conocimiento

Las bases de conocimiento pueden alimentarse de distintas fuentes:

* **Texto nativo**: contenido redactado directamente en Inagent.
* **Documentos PDF**: manuales, políticas, presentaciones, etc.
* **Sitios web externos**: URLs que se actualizan automáticamente para mantener la información vigente.

Cada tipo se configura en su propia sección para un control más fino.\
Consulta las páginas específicas para aprender a cargarlos:

* [Texto nativo](./native-text)
* [Documentos PDF](./documents-pdf)
* [Sitios externos](./external-sites)

***

## Buenas prácticas

* **Estructura los documentos**: títulos claros y secciones bien delimitadas facilitan el chunking.
* **Actualiza periódicamente** para mantener la información confiable.
* **Revisa los top 5 resultados** en pruebas de Playground para asegurar que las respuestas sean precisas.
* **Combina fuentes**: aprovecha texto nativo, documentos y web para una base robusta.

***

## Próximos pasos

* Aprende a **cargar y gestionar texto nativo** en [Texto nativo](./native-text).
* Descubre cómo **subir y versionar PDFs** en [Documentos PDF](./documents-pdf).
* Conecta **sitios externos** en [Sitios externos](./external-sites).
* Revisa [Conocimiento en Conceptos Core](../core/knowledge) para entender cómo se relacionan las bases con equipos y agentes.