Retrieval Augmented Generation은 답변 전에 모델이 코퍼스에서 발췌를 받는 방식입니다. FlexyAgents는 수집, 벡터 검색, 순위화를 관리하여 운영자가 저수준 ML 인프라가 아닌 콘텐츠 품질과 범위에 집중할 수 있게 합니다.
검색이 유용한 결과를 찾지 못하면 적절히 구성된 에이전트는 불확실성을 인정하고 사실을 지어내기보다 사람으로의 경로를 제시해야 합니다.
개념
지식 베이스 및 검색(RAG)
FlexyAgents가 콘텐츠를 수집, 청크화, 임베딩하고 관련 passage를 검색하며 승인된 내용에 머물도록 모델을 유도하는 방법.
rag지식 베이스검색embeddings
수집 경로
가져오기는 PDF, Office, HTML 내보내기, 이미지, 오디오, 동영상 및 기타 지원 바이너리를 다룹니다. 텍스트 추출은 구성 시 파서, OCR, 선택적 Gemini Vision 또는 전사를 결합할 수 있습니다. 커넥터는 SaaS 소스를 스케줄 동기화합니다. 크롤러는 깊이와 예의를 유지하면서 공개 URL을 추출하고 선택적으로 링크 이미지와 미디어를 처리할 수 있습니다.
구조화 Q&A 행은 그대로 필요한 답변 — 정책, 법적 텍스트, SKU 데이터 — 을 위해 장문 문서를 보완합니다.
- 파일 유형은 문서 → 지식 → 가져오기 및 형식을 참조하세요. 할당량과 Gemini 키는 문서 → 지식 → AI Vision, 전사, 제한을 참조하세요.
- 커넥터는 제품별 단계와 함께 문서 → 연동에 기재되어 있습니다.
청킹 및 시맨틱 검색
문서는 임베딩 모델에 적합한 조각으로 분할됩니다. 경계는 제목과 표를 존중하려 하지만 불완전한 소스는 편집으로 개선됩니다.
쿼리는 조각과 동일한 공간에 임베딩되며 최고 순위 passage가 인용 또는 충실한 의역 지시와 함께 프롬프트에 주입됩니다.
근거, 인용, 거부
제품은 모델이 지원하는 경우 고객이 인식할 수 있는 소스(기사 제목, URL)의 인용을 촉진합니다. 거부 패턴은 고위험 주제에서 환각을 줄입니다.
「모름」 또는 낮은 신뢰도 턴의 분석은 모든 트랜스크립트를 읽지 않고 지식 격차 우선순위 지정에 도움이 됩니다.
계속 탐색하기
플랫폼 기능 · HTTP API 및 웹훅 · 빠른 시작 · 문의