Preparar su contenido de origen

Servicio centrado en Knowledge

Servicio centrado en Knowledge (KCS) es un conjunto de mejores prácticas estándar de la industria para la gestión del Knowledge. Le ayudan a crear artículos precisos y coherentes, lo que a su vez mejora la fundamentación Knowledge. Aquí enumeramos algunas prácticas clave, pero puede obtener más información en el Consorcio para Innovación de Servicios.

Existen cuatro pilares clave para preparar su contenido para su uso con modelos de IA a través de bibliotecas de datos. Desea que su contenido sea específico, organizado, detallado y preciso. Considere cómo aplicar estas mejores prácticas a su caso de uso. De ese modo, puede crear una base Knowledge más efectiva que amplifica los puntos fuertes de la IA generativa.

Específico

• Considera la audiencia de cada artículo. Los clientes prefieren respuestas cortas y centradas en soluciones, mientras que los representantes de servicio o desarrolladores necesitan más profundidad técnica. Ajuste el tono, la estructura y el nivel de detalle para coincidir con las necesidades de la audiencia identificada.
• Segmente contenido en artículos que se centran en temas aislados. Los sistemas de IA recuperan información en fragmentos, de modo que los artículos que combinan temas poco relacionados reducen la coherencia, diluyen las incrustaciones y aumentan el riesgo de que el modelo combine ideas no coincidentes. Asegúrese de que cada artículo resuelve una intención de usuario claramente definida y evite tratar múltiples temas no relacionados o parcialmente relacionados en una sola pieza.
• Investigue y seleccione temas de artículos de forma estratégica. Si no está seguro de qué temas tratar, comience identificando los escenarios, preguntas y problemas típicos a los que se enfrentan sus usuarios. Esta investigación garantiza que cada artículo aborde necesidades de usuario reales, sin información no relacionada o innecesaria.
• Seleccione términos claros y estándar para conceptos clave y apéguese a ellos. Defina abreviaturas y marque términos desfasados como desusados. La terminología coherente ayuda a los agentes de IA a vincular correctamente conceptos relacionados entre artículos y evitar generar respuestas que mezclan ideas o interpretan mal términos.

Organizado

• Utilice una jerarquía estructural clara. Al igual que las personas, los sistemas de IA comprenden el contenido con mayor éxito cuando está estructurado de forma lógica. Utilice etiquetas de encabezado (H1 a H6) para reflejar la jerarquía informativa con párrafos, listas y encabezados para señalar relaciones y límites conceptuales. La arquitectura de información clara y las secciones que agrupan ideas relacionadas semánticamente mejoran la fragmentación, el análisis y la vectorización generales para el consumo de IA.
• Distribuya contenido de formato largo entre campos. No almacene grandes cuerpos de información en un solo campo de texto. Divida el contenido en campos con sentido que correspondan a partes del texto, como Pregunta, Descripción, Resolución y Excepciones. Los límites explícitos ayudan a crear un índice de búsqueda más preciso y admite la recuperación precisa.
• Separe el contenido por audiencia utilizando la aplicación forzosa previa a la recuperación y en tiempo de ejecución. La información destinada a clientes, representantes de servicio y desarrolladores debe diferir en profundidad, tono y confidencialidad. Para evitar errores de exposición y mejorar la recuperación de contenido de IA:
  • Para la separación previa a la recuperación, cree campos o artículos exclusivos para cada audiencia. Indicar explícitamente una audiencia de destino ayuda los agentes a minimizar la ambigüedad entre audiencias.
  • Para el filtrado en tiempo de ejecución, utilice metadatos de nivel de acceso para garantizar que los agentes recuperan solo el contenido apropiado para el usuario que consulta el sistema o el caso de uso en cuestión.
• Utilice metadatos para potenciar la recuperación de contenido. En sistemas RAG, las consultas recuperan segmentos de contenido relevantes antes de que el modelo genere una respuesta final. Los metadatos, como las etiquetas de productos, la audiencia de destino, la versión y los niveles de acceso, permiten el filtrado, la clasificación y el cumplimiento precisos, mejorando la precisión de la recuperación y garantizando que las respuestas de los agentes están bien fundamentadas.

Detallado

• Proporcione información exhaustiva y completa. La IA generativa tiene el mejor desempeño con información detallada y completa que puede sintetizar e implementar en múltiples niveles de detalle. Dé prioridad a explicaciones claras y completas sobre el conteo de palabras, especialmente para contenido técnico. Los detalles no se refieren a la longitud sino a la suficiencia explicativa.
• Defina el contexto, las condiciones y los supuestos para cada paso. Incluya aplicabilidad de versión, variables de entorno, gestión de excepciones y aclare el razonamiento detrás de cada paso. Sin esto, los modelos pueden rellenar brechas con información plausible pero incorrecta (es decir, alucinaciones).
• Incluya escenarios reales para enriquecer la fundamentación contextual. Describa ejemplos en detalle e incluya mejores prácticas o consideraciones para casos de uso comunes. Del mismo modo, describa errores de usuario comunes o rutas de distribución de alta frecuencia de modo que los sistemas Al puedan responder con matices en vez de resúmenes genéricos.
• Anote contenido visual como imágenes, videos y capturas de pantalla con texto alternativo claro y títulos descriptivos. Aunque las imágenes son fáciles de comprender para las personas, los sistemas de IA se basan en descripciones estructuradas para interpretar y utilizar ese contexto correctamente. Si las imágenes son importantes para su base de Knowledge, utilice un analizador creado para el procesamiento de imágenes o multimodal. Agentforce Data Library detecta sus modos de contenido y aplica el analizador más apropiado para usted. Aún así, agregar detalles específicos como objetos, texto visible, formato, colores, relaciones y contexto general ayuda a mejorar la precisión, la capacidad de búsqueda y la coherencia entre sistemas.

Preciso

• Compruebe hechos y artículos existentes antes de publicar. Asegúrese de que las instrucciones, las políticas y los pasos técnicos coinciden con un origen oficial. O bien cree una revisión de experto en la materia (SME) en su flujo de trabajo de publicación. Si la información es incorrecta en la base Knowledge, los agentes pueden repetirla con confianza. Además, si los artículos relacionados dicen cosas diferentes, es posible que obtenga respuestas combinadas o incoherentes internamente. Durante la comprobación de hechos de un nuevo artículo, revise el contenido relacionado en busca de alineación o redundancia. La información en conflicto o redundante crea ruido de contenido y confunde los LLM.
• Pruebe el comportamiento de los agentes y la recuperación de Knowledge antes y después de la implementación. Antes de empezar a trabajar, pruebe su agente en un entorno de bajo riesgo para confirmar que recupera y aplica Knowledge correctamente. Herramientas como el Retriever Playground y el Centro de pruebas de Agentforce le permiten generar casos de prueba desde fuentes de Knowledge conectadas del agente para evaluar la fundamentación y la calidad de la respuesta. Tras la implementación, monitoree la calidad de la recuperación en curso utilizando datos y mediciones de calidad de Knowledge / RAG.
• Actualice el contenido cuando los sistemas cambien y marque claramente nuevas versiones. Cuando cambian productos, políticas o regulaciones, revise el Knowledge relacionado inmediatamente. O bien cree actualizaciones de contenido en su ciclo de desarrollo. La precisión requiere actualizaciones continuas, no revisiones puntuales. Indique qué versiones, fechas o condiciones se aplican. Marque procesos desfasados de modo que un agente no presente directrices antiguas como actuales.
• Utilice la salida de IA y los comentarios del usuario como una señal de calidad. Monitoree el desempeño de sus agentes en sesiones reales para identificar directrices desfasadas, incompletas o aplicadas incorrectamente. Herramientas como Datos y mediciones de calidad de Knowledge/RAG, Optimización de agentes y Agent Analytics le permiten inspeccionar sesiones, realizar un seguimiento de cada interacción y analizar tendencias. Los patrones en el comportamiento de agentes, correcciones de usuarios o distribuciones pueden revelar brechas ocultas en su base Knowledge que se pueden solucionar para mejorar la precisión y la alineación.