Skip to main content

Documentation Index

Fetch the complete documentation index at: https://docs.scrivot.cl/llms.txt

Use this file to discover all available pages before exploring further.

​
Qué es RAG

RAG (Retrieval-Augmented Generation) es la técnica que permite a Scrivot responder preguntas basándose en tu propio contenido, en lugar de depender solo del conocimiento general del modelo de IA. El flujo es:
  1. Cuando el usuario pregunta algo, Scrivot busca en tu base de conocimiento los fragmentos más relevantes
  2. Esos fragmentos se inyectan como contexto en el modelo de IA
  3. El modelo genera una respuesta basada en tu contenido específico

​
Colecciones y documentos

​
Colecciones

Una colección es un grupo de documentos relacionados. Por ejemplo:
  • FAQ Ventas
  • Manual de instalación
  • Políticas de la empresa
Cada chatbot puede estar vinculado a una o más colecciones. Endpoints:
  • GET /rag/collections/workspace/:workspaceId — listar colecciones
  • POST /rag/collections — crear colección
  • DELETE /rag/collections/:id — eliminar colección

​
Documentos

Un documento contiene el conocimiento que el chatbot puede consultar. Puede ser:
  • Una pregunta frecuente y su respuesta
  • Un artículo de ayuda
  • Una política o procedimiento
  • Especificaciones técnicas de un producto
Campos de un documento:
CampoTipoDescripción
titlestringTítulo o pregunta del documento
contentstringContenido completo (hasta 50MB por solicitud)
categorystringCategoría para filtrar
tagsstring[]Etiquetas adicionales
collection_idnumberColección a la que pertenece

​
Tipos de búsqueda

​
1. Búsqueda vectorial (semántica)

Busca documentos por similitud de significado, no por coincidencia de palabras exactas. 
POST /rag/search
Authorization: Bearer <token>

{
  "query": "¿tienen envío a regiones?",
  "collection_id": 5,
  "limit": 3,
  "format": "compact"
}
Formatos de respuesta disponibles:
FormatoDescripción
minimalSolo el contenido y puntuación de relevancia
compactContenido + metadatos básicos
fullDocumento completo con todos los campos

​
2. Búsqueda por conversación

El widget usa este endpoint para buscar contexto sin autenticación de usuario: 
POST /rag/search/thread

{
  "query": "horario de atención",
  "thread_id": "abc-123"
}

​
3. Búsqueda híbrida

Combina búsqueda vectorial con filtros de metadatos: 
POST /rag/search/hybrid
Authorization: Bearer <token>

{
  "query": "política de devoluciones",
  "collection_id": 5,
  "filters": {
    "category": "Soporte"
  },
  "limit": 5
}

​
Integración con MCP

Scrivot expone un endpoint compatible con Model Context Protocol (MCP): 
POST /mcp/rag-search
Acepta peticiones JSON-RPC 2.0, lo que permite integrar la base de conocimiento de Scrivot con agentes externos y herramientas de IA que soporten MCP.

​
Buenas prácticas

Documentos más cortos y enfocados producen mejores resultados que textos largos con múltiples temas mezclados. Divide un artículo largo en varios documentos por subtema.
El título ayuda al sistema de búsqueda. Un título como “Política de devolución para productos electrónicos” es mejor que “Devoluciones”.
Usa el campo category para agrupar documentos. Luego puedes filtrar búsquedas por categoría para mayor precisión.
Cuando cambies precios, políticas o información del producto, actualiza los documentos correspondientes. El chatbot responderá con información desactualizada si no lo haces.