SetFN
SetFNDocs27 de octubre de 2026

Almacenamiento de conocimiento

Administre los datos de búsqueda de IA necesarios para buscar documentos y responder con RAG, que recupera contenido pertinente de los documentos guardados.

Antes de comenzar

  • Permiso necesario: administrador de Workspace
  • Compruebe las dimensiones de salida del modelo de embeddings.
  • Si utiliza un almacén externo, el servidor de SpaceBuilder debe poder acceder a su endpoint.

Abrir el almacenamiento de conocimiento

  1. Acceda a la página de administración.
  2. Seleccione Knowledge Services.
  3. Seleccione Knowledge Storage.

Pantalla de almacenamiento de conocimiento

Estado operativo de la base de datos vectorial

CampoDescripción
ConnectionSi la base de datos está conectada
Vector StoreMétodo y tipo de almacenamiento, por ejemplo Qdrant administrado
Stored vectorsElementos guardados por esta instancia de SpaceBuilder
Total CollectionsNúmero de colecciones; para Qdrant y Milvus, el total del servidor
Collection configurationCompatibilidad de las dimensiones y la métrica de distancia
Storage PathUbicación de Local o Automatic, por ejemplo vectordb_local

Consulte las acciones para cada estado en Operar la base de datos vectorial.

Configurar la base de datos vectorial

Seleccionar el modelo de embeddings

Elija entre los modelos descargados en Modelos de IA. Si no hay ninguno, descargue primero uno, por ejemplo bge-m3.

CampoDescripciónValor predeterminado
Embedding modelModelo descargado que transforma documentos en vectores.-
Vector dimensionsNúmero de dimensiones generado por el modelo.1024

En modelos conocidos, como bge-m3 o nomic-embed-text, las dimensiones se completan automáticamente. Para otros, introduzca el valor exacto de salida.

Driver

ControladorDescripción
Automatic (SQLite)Valor predeterminado; utiliza el almacén SQLite integrado al seleccionar un modelo.
Local (SQLite)Guarda los datos en un archivo de la ruta indicada. No requiere otro servidor y es apropiado para unos 50 000 vectores o menos. Ruta predeterminada: vectordb_local.
MilvusBase de datos externa para gran volumen. Debe crear la colección previamente. Conectar Milvus
QdrantBase de datos externa cuya colección se crea en la primera indexación. Conectar Qdrant

Consulte Elegir un almacén vectorial.

Data Path

Para Local y Automatic, indique la ruta. Las rutas relativas se resuelven desde la carpeta del archivo de configuración de SpaceBuilder.

Conexión con una base de datos externa

Con Qdrant o Milvus, introduzca la conexión en lugar de una ruta. Qdrant utiliza endpoints REST y gRPC independientes.

Conexión al seleccionar Qdrant

CampoDescripción
CollectionNombre donde se guardan los datos. Se recomienda uno distinto por instancia; la pantalla muestra el sugerido.
REST endpoint / EndpointDirección del servidor. Para Qdrant el campo se llama REST endpoint (por ejemplo, http://localhost:6333) y para Milvus, Endpoint (por ejemplo, http://localhost:19530).
gRPC endpointDirección gRPC de la misma instancia, por defecto http://localhost:6334. Es la opción recomendada y se utiliza preferentemente; si queda vacío y REST usa 6333, se prueba 6334 y, si falla, REST.
API keySolo si está activada la autenticación. Se muestra enmascarada, se conserva si no cambia y se elimina si guarda el campo vacío.
Username / PasswordAutenticación de Milvus. Introduzca la contraseña solo para cambiarla.

Sincronizar y reconstruir vectores

El área Administrator Only permite volver a llenar o reconstruir la base. Ninguna acción elimina los archivos originales y ambas requieren Team o superior.

  • Sync Existing Embeddings: copia los embeddings existentes al almacén elegido y solo vuelve a crear los irrecuperables.
  • Rebuild Vector Generation: crea una generación nueva conservando la anterior y la elimina tras validarla.

Consulte sus diferencias en Sincronización y reconstrucción.

Documentos relacionados