Le Base de connaissances est une réserve de documents à partir desquels les agents tirent des faits lorsqu’ils répondent (RAG, génération augmentée par récupération). Vous téléchargez le matériel de l’entreprise, AiHummer extrait le texte, le divise en morceaux et l’indexe ; l’agent trouve ensuite les morceaux pertinents et répond à partir de ceux-ci.
Ce que vous pouvez télécharger
Trois façons d’ajouter du contenu :
+ Fichier — choisissez un ou plusieurs fichiers. Pris en charge : PDF, Word (.docx), Excel
(.xlsx), CSV, .txt, .md, .rtf; la limite est de 20 Mo par fichier. Le serveur extrait
texte et signale le nombre de morceaux produits par fichier.
+ Texte — collez le texte directement : titre, source et corps.
+ URL — pointer sur un lien ; le contenu de la page est récupéré.
La liste
Chaque document affiche son titre/source, le nombre de segments et le moment de son ajout. Il est possible de rechercher et de trier par nom ou par date, et un compteur total de segments se trouve dans l’en-tête.
Comment l’utiliser
Téléchargez des documents (le texte propre et structuré fonctionne le mieux).
Vérifiez que le nombre de segments n’est pas nul — cela signifie que le texte a été extrait.
Assurez-vous que l’agent est autorisé à utiliser les connaissances (le capabilities section)
et que le choisi intégrateur vous va
langue.
Configuration
Les paramètres d’extraction, d’intégration et de taille des segments appartiennent au moteur RAG — voir Connaissance & RAG. Le modèle d’intégration par défaut est multilingue ; pour de grands volumes, il peut être déplacé vers un GPU.
Conseils
Divisez les grands documents par sens — la recherche est plus précise de cette façon.
Donnez une “source” significative : cela aide à la fois les gens et l’agent à citer l’origine d’un fait
venait de.
Agents — où activer l’utilisation des connaissances.
Le **Base de connaissances** est une réserve de documents à partir desquels les agents tirent des faits lorsqu'ils répondent (RAG, génération augmentée par récupération). Vous téléchargez le matériel de l'entreprise, AiHummer extrait le texte, le divise en morceaux et l'indexe ; l'agent trouve ensuite les morceaux pertinents et répond à partir de ceux-ci.
## Ce que vous pouvez télécharger
Trois façons d'ajouter du contenu :
- **+ Fichier** — choisissez un ou plusieurs fichiers. Pris en charge : **PDF, Word (.docx), Excel
(.xlsx), CSV, .txt, .md, .rtf**; la limite est de 20 Mo par fichier. Le serveur extrait
texte et signale le nombre de morceaux produits par fichier.
- **+ Texte** — collez le texte directement : titre, source et corps.
- **+ URL** — pointer sur un lien ; le contenu de la page est récupéré.
## La liste
Chaque document affiche son titre/source, le nombre de segments et le moment de son ajout. Il est possible de rechercher et de trier par nom ou par date, et un compteur total de segments se trouve dans l'en-tête.
## Comment l'utiliser
1. Téléchargez des documents (le texte propre et structuré fonctionne le mieux).
2. Vérifiez que le nombre de segments n'est pas nul — cela signifie que le texte a été extrait.
3. Assurez-vous que l'agent est autorisé à utiliser les connaissances (le `capabilities` section)
et que le choisi [intégrateur](/fr/v1.0/concepts/knowledge-rag) vous va
langue.
## Configuration
Les paramètres d'extraction, d'intégration et de taille des segments appartiennent au moteur RAG — voir [Connaissance & RAG](/fr/v1.0/concepts/knowledge-rag). Le modèle d'intégration par défaut est multilingue ; pour de grands volumes, il peut être déplacé vers un GPU.
## Conseils
- Divisez les grands documents par sens — la recherche est plus précise de cette façon.
- Donnez une "source" significative : cela aide à la fois les gens et l'agent à citer l'origine d'un fait
venait de.
## Suivant
- [Connaissance & RAG](/fr/v1.0/concepts/knowledge-rag) — comment fonctionne la recherche sémantique.
- [Mémoire d'Einstein](/fr/v1.0/webui/memory) — comment les faits diffèrent des documents.
- [Agents](/fr/v1.0/webui/agents) — où activer l'utilisation des connaissances.
