ცოდნის ბაზა

**ცოდნის ბაზა** არის დოკუმენტების საცავი, საიდანაც აგენტები ფაქტებს იღებენ, როცა პასუხობენ (RAG, retrieval-augmented generation). თქვენ ატვირთავთ კომპანიის მასალას, AiHummer ამოიღებს ტექსტს, დაანაწევრებს მას ფრაგმენტებად და დააინდექსებს; შემდეგ აგენტი პოულობს შესაბამის ფრაგმენტებს და მათგან პასუხობს. ## რისი ატვირთვა შეგიძლიათ კონტენტის დამატების სამი გზა: - **+ File** — აირჩიეთ ერთი ან რამდენიმე ფაილი. მხარდაჭერილია: **PDF, Word (.docx), Excel (.xlsx), CSV, .txt, .md, .rtf**; ლიმიტია 20 MiB თითო ფაილზე. სერვერი ამოიღებს ტექსტს და აცნობებს, რამდენი ფრაგმენტი წარმოიქმნა თითო ფაილიდან. - **+ Text** — ჩასვით ტექსტი პირდაპირ: სათაური, წყარო და ტანი. - **+ URL** — მიუთითეთ ბმული; გვერდის შიგთავსი წამოღებული იქნება. ## სია თითოეული დოკუმენტი აჩვენებს თავის სათაურს/წყაროს, ფრაგმენტების რაოდენობას და დამატების დროს. არსებობს ძიება და დახარისხება სახელით ან თარიღით, ასევე ფრაგმენტების ჯამური მთვლელი სათაურში. ## როგორ გამოვიყენოთ 1. ატვირთეთ დოკუმენტები (სუფთა, სტრუქტურირებული ტექსტი საუკეთესოდ მუშაობს). 2. შეამოწმეთ, რომ ფრაგმენტების რაოდენობა არანულოვანია — ეს ნიშნავს, რომ ტექსტი ამოღებულია. 3. დარწმუნდით, რომ აგენტს ცოდნის გამოყენების უფლება აქვს (`capabilities` სექცია) და რომ არჩეული [ემბედერი](/ka/v1.0/concepts/knowledge-rag) თქვენს ენას შეესაბამება. ## კონფიგურაცია ამოღების, ემბედინგისა და ფრაგმენტის ზომის პარამეტრები RAG ძრავს ეკუთვნის — იხილეთ [ცოდნა და RAG](/ka/v1.0/concepts/knowledge-rag). ნაგულისხმევი ემბედინგის მოდელი მრავალენოვანია; დიდი მოცულობებისთვის ის GPU-ზე შეიძლება გადავიდეს. ## რჩევები - დაანაწილეთ დიდი დოკუმენტები აზრობრივად — ასე ამოღება უფრო ზუსტია. - მიუთითეთ შინაარსობრივი "წყარო": ეს ეხმარება როგორც ხალხს, ისე აგენტს დაასახელონ, საიდან მოვიდა ფაქტი. ## შემდეგი - [ცოდნა და RAG](/ka/v1.0/concepts/knowledge-rag) — როგორ მუშაობს სემანტიკური ძიება. - [Einstein მეხსიერება](/ka/v1.0/webui/memory) — რით განსხვავდება ფაქტები დოკუმენტებისგან. - [აგენტები](/ka/v1.0/webui/agents) — სად ჩავრთოთ ცოდნის გამოყენება.