RAG (recuperar)

RAG (recuperar) busca en una base de conocimiento vectorial los fragmentos más parecidos a una consulta y los devuelve. Es la mitad “lectura” del RAG (la otra es RAG (indexar), que carga el contenido).

Tiene doble uso:

Conectado al puerto rag de un AI Agent: el agente recupera contexto y lo inyecta en el prompt antes de responder (así contesta con tu contenido y no inventa).
Como nodo suelto en un flujo: devuelve los resultados en data.results para que los uses después.

Configuración

Campo	Tipo	Requerido	Descripción
namespace	text	Sí	Espacio de nombres donde buscar (el mismo que usaste al indexar).
top_k	number	No	Cuántos fragmentos recuperar. Default `4`.
provider	select	Sí	Proveedor de embeddings (openai, local, together, mistral).
model	text	Sí	Modelo de embeddings (el mismo que al indexar).
credentials_id	credentials	Sí	Credencial del proveedor de embeddings.
attach_to	text	No*	Alias del agente (solo si se usa como sub-nodo RAG).

Ejemplo — Agente que responde sobre tu documentación

Este agente contesta basándose en un manual previamente indexado en el namespace manual-producto.

RAG (recuperar):
- namespace: manual-producto
- top_k: 4
- provider: openai, model: text-embedding-3-small
- credentials_id: tu credencial
Conectá su salida al puerto rag (ámbar) del agente.
AI Agent — system_prompt: “Respondé usando solo el contexto recuperado. Si no está, decilo.”

Ante “¿cómo configuro un webhook?”, el agente recupera los 4 fragmentos más parecidos del manual y los agrega al prompt antes de que el LLM redacte la respuesta.

Salida (uso como nodo suelto)

{
  "query": "cómo configuro un webhook",
  "results": [
    { "text": "Para crear un webhook…", "score": 0.89 },
    { "text": "El endpoint recibe…",     "score": 0.82 }
  ]
}