Base de Conocimiento Local (RAG)

1. ¿Qué es RAG y por qué en ZeroChat es diferente?

RAG (Retrieval-Augmented Generation o Generación Aumentada por Recuperación) es una técnica que permite al modelo de lenguaje responder preguntas basándose en tus propios manuales, libros, notas o documentación técnica.

En la inmensa mayoría de herramientas comerciales, tus documentos se suben a servidores externos para ser vectorizados. En ZeroChat, todo el proceso de ingesta, particionado (chunking) e indexación se realiza localmente en tu ordenador dentro del navegador utilizando el motor de búsqueda Orama y almacenamiento persistente en IndexedDB.

2. Ramas de Conocimiento (Knowledge Branches)

Para mantener tus proyectos organizados, ZeroChat estructura el conocimiento en Ramas independientes:

• Puedes crear diferentes ramas según la temática (por ejemplo: "Documentación API", "Finanzas 2026", "Apuntes de Física").
• Puedes activar varias ramas desde el botón RAG de la barra inferior. Para crear ramas, cargar o gestionar documentos, abre RAG desde el menú general de configuración.
• Al combinar ramas de idiomas distintos, ZeroChat muestra un aviso sin cambiar las ramas activas.
• Cuando una rama está activa, el agente o el chat tienen acceso directo a los documentos contenidos en ella.

3. Ingestión y Procesamiento de Documentos

Dentro del panel de gestión RAG, accesible desde el menú general de configuración, puedes arrastrar archivos o pulsar sobre el área de carga:

• PDFs y Libros: Se analiza cada página, se extrae el texto continuo y se identifican las posibles imágenes o esquemas relevantes.
• Markdown y Texto Plano: Se respetan los títulos (#, ##, ###) para realizar divisiones semánticas naturales.
• Archivos de Código Fuente: Se agrupan respetando funciones y clases para que el contexto técnico no se rompa al dividirse en fragmentos.
• Chunking Inteligente: El motor divide los textos en fragmentos de tamaño óptimo con solapamiento (overlap) para asegurar que ninguna idea clave quede cortada a la mitad.
• Gestión de Duplicados: Si intentas cargar un archivo con el mismo nombre y ruta que uno ya existente en la rama, el sistema te preguntará si deseas Reemplazar el documento existente o Ignorar la nueva copia. Puedes marcar la casilla para aplicar tu decisión al resto de duplicados de la carga.
• Cancelación Cooperativa: Durante la ingesta de múltiples archivos o documentos extensos, dispones de un botón Detener para interrumpir de inmediato el procesamiento sin corromper el índice ni los datos ya procesados.

4. Búsqueda y Herramientas Agénticas de Consulta

El modelo consulta los documentos activos mediante herramientas de RAG:

1. Consulta Activa por Herramientas (Tool Calling): El modelo invoca dinámicamente las herramientas del agente:
   • list_documents: Conoce los documentos disponibles en la rama.
   • search_knowledge_base: Realiza búsquedas específicas con términos clave.
   • read_knowledge_chunk: Lee un fragmento concreto en profundidad.
   • read_knowledge_image: Si un PDF contenía diagramas o figuras, el modelo puede solicitar ver la imagen para analizarla visualmente.

5. Configuración y Recomendaciones

IndexedDB + Orama

Los archivos, metadatos y fragmentos se guardan en IndexedDB. Orama construye en memoria un índice de búsqueda local para la rama activa.

Sin permisos ni costes de ingesta

Seleccionar un archivo solo permite leer esa carga. No se solicitan permisos sobre carpetas y no se llama a ningún LLM para resumir o indexar.

Configurar el modelo para responder sobre documentos

Para preguntas factuales sobre documentos, usa una temperatura baja (0 a 0,2): reduce variaciones y hace más probable que el modelo se atenga a los fragmentos recuperados. Una temperatura de 0,7 o superior conviene para redacción creativa, no para extraer cifras o hechos. El modelo también debe admitir llamadas a herramientas; si no las admite, no podrá consultar esta base documental.

Punto de control agéntico para modelos de poco contexto

Los modelos compactos o con ventana de contexto reducida se saturan con facilidad al acumular múltiples fragmentos de documentos. Activa el Punto de Control agéntico (agent_checkpoint) desde el menú de Razonamiento: permite que el modelo consolide sus hallazgos intermedios y registre el siguiente paso para continuar investigando con coherencia. Especialmente recomendado con modelos de menos de 14B parámetros o ventanas de contexto inferiores a 32k tokens.