Skip to main content
El sistema RAG (Retrieval-Augmented Generation) permite que tu agente responda preguntas basandose en tus propios documentos.
Disponible desde Growth.
Los documentos son propios de cada agente, no compartidos a nivel tenant. Si tenes varios agentes, cada uno tiene su base de conocimiento aislada — un PDF subido al agente “Soporte” no es visible para “Ventas”. Al eliminar un agente sus documentos y embeddings se borran en cascada.

​
Como funciona

  1. Subes un documento (PDF, DOCX, TXT, Markdown)
  2. Thaliq extrae el texto y lo divide en chunks (~500 tokens)
  3. Genera embeddings con Voyage AI (voyage-3, 1024 dimensiones)
  4. Cuando un usuario hace una pregunta, el agente busca los chunks mas relevantes por similitud coseno (pgvector)
  5. Inyecta esos chunks como contexto y genera la respuesta
Pregunta del usuario
       |
       v
Busqueda semantica (embeddings)
       |
       v
Chunks mas relevantes (top-k)
       |
       v
Claude + contexto -> Respuesta basada en tus documentos

​
Como llegar

thaliq.com/agents/:agentId/documents (tab RAG del agente). Tambien podes pedirle al meta-agente del Studio: “Sube este PDF al RAG del agente”.

​
Subir documentos

  1. Ir a Agente > RAG
  2. Click en Subir documento
  3. Seleccionar archivo

​
Formatos soportados

FormatoExtension
PDF.pdf
Word.docx
Texto plano.txt
Markdown.md

​
Procesamiento

Al subir un documento:
  • Se extrae el texto
  • Se divide en chunks (~500 tokens cada uno)
  • Se generan embeddings (Voyage voyage-3)
  • Se persisten en pgvector
  • El documento queda listo para busquedas en segundos

​
Parametros de busqueda

Por defecto el agente busca con estos parametros (ajustables a nivel tenant via tenant.settings.rag):
ParametroDefaultQue hace
topK8Cantidad maxima de chunks que se inyectan como contexto
similarityThreshold0.2Score minimo (0–1) para considerar un chunk relevante
maxContextTokens1500Limite total de tokens RAG por respuesta
Por que el threshold es 0.2 y no 0.5? Voyage-3 produce similitudes mas bajas que otros embedders, especialmente para queries cortas o conversacionales en espanol (“dame las fechas”, “que precio tiene”). Un umbral mas alto descarta matches validos. Si tus queries son largas y tecnicas, podes subirlo a 0.4–0.5 desde la configuracion del tenant.

​
Ver chunks

Click en un documento de la lista > pestania Chunks. Veras cada fragmento con su contenido y score promedio de relevancia historica.

​
Probar busquedas (RAG Tester)

En el Studio, el RAG Context Viewer muestra automaticamente los chunks consultados en cada respuesta del test panel. Tambien podes lanzar busquedas manuales desde la lista de documentos:
  1. Buscador en la cabecera de la tab RAG
  2. Escribir una pregunta natural (ej: “Cuales son los horarios?”)
  3. Veras los chunks mas relevantes con su score de similitud
Si los resultados no son los esperados, intenta reformular la pregunta o revisa que el documento contenga la informacion relevante. Considera dividir documentos muy largos en partes mas tematicas para mejorar el chunking.

​
Reprocesar documentos

Si actualizas un documento, podes reprocesarlo:
  1. Click en el documento
  2. Click en Reprocesar
  3. Se regeneran chunks y embeddings (las versiones viejas se reemplazan)

​
Buenas practicas

  • Documentos claros — textos bien estructurados generan mejores chunks
  • Titulos y secciones — ayudan al sistema a dividir contenido logicamente
  • Evita imagenes solas — el RAG procesa texto, no contenido dentro de imagenes/PDFs escaneados
  • Actualiza regularmente — sube versiones nuevas cuando la informacion cambie
  • Un agente por dominio — si tenes contenidos muy distintos (soporte vs ventas), considera agentes separados con su propio RAG

​
Que sigue

Studio (RAG Viewer)

Como ver que chunks consulto el agente en cada respuesta.

Tools nativas

search_documents — la tool built-in que consulta el RAG.