Asistentes de centros de ayuda
Los artículos y los tickets resueltos se ingieren con su producto e idioma como metadatos. Cada respuesta se basa en la documentación del producto correcto.
IA y LLMRecuperaciónPlanes Performance y Scale
Asistentes de conocimiento RAG
Responde preguntas sobre tus propios documentos con fragmentación, filtros de metadatos, búsqueda híbrida vectorial y por palabras clave y puntuaciones de rerank en caché, en un solo motor.
- estrategias de fragmentación
- 3
- búsqueda vectorial + BM25
- Híbrida
- bases de datos vectoriales adicionales
- 0
Paso 1 de 5
Define el pipeline
Un fragmento por párrafo. Usa las dimensiones de tu modelo de embeddings (3 mantiene el ejemplo corto).
Sesión de ejemploplaying
# Define el pipeline
hotkv> RAG.CREATE faq 3 STRATEGY paragraph
OK
Un recorrido animado con comandos reales de HotKV y respuestas de ejemplo. Haz clic en cualquier paso para saltar a él. Los comandos y las respuestas se quedan en inglés, tal como los escribes y los ves en HotKV.
El problema
Un pipeline de recuperación suele implicar una base de datos vectorial, un índice de palabras clave, un trabajo de fragmentación, un reranker y código de integración entre todos ellos. Cada pieza es otro servicio que ejecutar, proteger y mantener sincronizado con tus documentos, y el reranker suele ser el paso más lento y caro.
Cómo lo resuelve HotKV
HotKV pone el pipeline en el motor que ya sirve tu aplicación. Define un pipeline, ingiere documentos y busca en él. La fragmentación, los metadatos de los documentos y la búsqueda híbrida que combina similitud vectorial con puntuación de palabras clave BM25 se ejecutan en el servidor, y una caché de rerank guarda las puntuaciones del cross-encoder para que un mismo par de consulta y fragmento nunca se puntúe dos veces.
Paso a paso
Qué ocurre, comando a comando
- 01
Define el pipeline
Un fragmento por párrafo. Usa las dimensiones de tu modelo de embeddings (3 mantiene el ejemplo corto).
RAG.CREATE faq 3 STRATEGY paragraph - 02
Ingiere documentos
Cada documento se fragmenta en el servidor y se guarda con sus metadatos y un vector por fragmento.
RAG.INGEST faq doc:1 "To reset your password, click Forgot password on the login screen.\n\nBilling questions go to the billing team." META source help-center VECTORS 0.9,0.1,0.0 0.0,0.2,0.9 - 03
Búsqueda híbrida
Similitud vectorial y relevancia por palabras clave en una consulta, limitada a una fuente.
RAG.SEARCH faq "how do I reset my password" K 2 ALPHA 0.5 VECTOR 0.88,0.12,0.01 FILTER source help-center - 04
Rerank, pero solo una vez
Las puntuaciones del cross-encoder se guardan en caché por consulta y fragmento, en un namespace creado con RERANK.CREATE, así que una consulta popular no vuelve a pagar el rerank.
RERANK.GET faq_scores "reset password|doc:1:0" - 05
Responde y revisa el pipeline
Los mejores fragmentos van al modelo como contexto, así que la respuesta sale del centro de ayuda en lugar de una suposición. RAG.STATS muestra lo que contiene el pipeline.
RAG.STATS faq
Dónde encaja
Escenarios reales
Búsqueda legal y de políticas
Los contratos y las políticas se dividen por párrafos para que los fragmentos recuperados sean cláusulas completas, y la puntuación por palabras clave capta términos exactos como los números de cláusula.
Conocimiento de ingeniería
Los runbooks, los documentos de diseño y los postmortems se vuelven buscables por significado para un asistente de guardia.
Integrado
Qué obtienes
Fragmentación en el motor
Fragmentación de tamaño fijo, por frase o por párrafo. Los fragmentos de tamaño fijo usan el tamaño y el solapamiento que elijas.
RAG.CREATEBúsqueda híbrida
Similitud vectorial y puntuación de palabras clave BM25 en una consulta, con ALPHA para fijar el equilibrio.
RAG.SEARCHFiltros de metadatos
Añade pares de clave y valor al ingerir y filtra por ellos al buscar.
RAG.INGESTFILTERCaché de rerank
Guarda las puntuaciones del cross-encoder para pares de consulta y fragmento, así las repeticiones salen gratis.
RERANK.GETRERANK.SETPreguntas frecuentes
¿HotKV crea los embeddings?
No. Generas los embeddings con el modelo que prefieras y los pasas con VECTORS al ingerir y con VECTOR al buscar.
¿Puedo buscar sin vectores?
Sí. RAG.SEARCH recibe el texto de la consulta para la puntuación por palabras clave, y la opción VECTOR añade la similitud vectorial. ALPHA fija cómo se combinan las dos puntuaciones.
¿Qué planes lo incluyen?
Los pipelines RAG y la caché de rerank forman parte de los planes Performance y Scale.
Casos de uso relacionados
Pruébalo con tu propia carga de trabajo
HotKV habla el protocolo de Redis, así que puedes apuntar un cliente que ya usas hacia él y ejecutar estos mismos comandos.