Los modelos de lenguaje grande (LLM) no pueden responder directamente preguntas sobre conocimiento privado. Model Studio le permite conectar sus propios documentos a una aplicación de agente, sin necesidad de código, para que los usuarios obtengan respuestas precisas y fundamentadas en lugar de respuestas genéricas o inventadas.
Antes y después
Sin una base de conocimientos Sin una base de conocimientos dedicada, el LLM no puede responder con precisión a preguntas sobre "teléfonos de Alibaba Cloud Model Studio". ![]() | Con una base de conocimientos Con una base de conocimientos dedicada, el LLM responde con precisión a preguntas sobre "teléfonos de Alibaba Cloud Model Studio". ![]() |
Paso 1: Crear una aplicación de agente (Aproximadamente 1 minuto)
| ![]() |
| ![]() |
| ![]() |
| ![]() ![]() |
| ![]() |
Paso 2: Crear una base de conocimientos (Aproximadamente 3 minutos)
Los LLM tienen una ventana de contexto fija y no pueden procesar toda su biblioteca de documentos a la vez. Una base de conocimientos resuelve esto indexando sus documentos y recuperando solo los pasajes relevantes cuando un usuario hace una pregunta, una técnica llamada generación aumentada por recuperación (RAG). Este paso carga sus documentos y crea una base de conocimientos.
Cargar documentos de conocimiento
| ![]() |
| ![]() |
| ![]() |
Crear una base de conocimientos
| ![]() |
| ![]() |
| ![]() |
| ![]() |
| ![]() |
Paso 3: Conectar la base de conocimientos y publicar (Aproximadamente 1 minuto)
| ![]() |
| ![]() |
| ![]() |
| ![]() |
Siguientes pasos
- Para obtener información sobre ingeniería de prompts, complementos y otras características de la aplicación, consulte Aplicaciones de agente.
- Para integrar herramientas externas o automatizar flujos de trabajo complejos, consulte Aplicaciones de flujo de trabajo y Tipos de aplicaciones para comparaciones de características.
- Para crear una aplicación RAG totalmente personalizada con lógica de interacción compleja mediante la API, consulte Assistant API (Legacy).



















