AI Server. Agregar archivo#

El bloque agrega un archivo a la base de conocimientos en el servidor Sherpa AI Server. El documento se divide automáticamente en fragmentos, para cada uno de los cuales se obtendrá un embedding[^1].

Nombre del archivo[Texto] Nombre y ruta del archivo. Se puede ingresar el nombre completo del archivo incluyendo la ruta.
Nombre del archivo en la base de conocimientos[Texto] Si es necesario, se puede especificar su propio nombre de archivo en la base de conocimientos.
Descripción del archivo[Texto] Descripción del archivo.
GUID/Ruta a la carpeta

[Texto] GUID de la carpeta o ruta a la carpeta en la que se debe agregar el archivo.

Si no se especifica un valor, el archivo se agregará a la carpeta por defecto. Por ejemplo, "Carpeta 1\Subcarpeta 2\Subcarpeta 3".

Metadatos[Diccionario] Si es necesario, especifique un diccionario con metadatos para este archivo.
Timeout[Número] Tiempo máximo de espera para la respuesta en segundos.
GUID del archivo[Texto] Se devuelve el GUID del archivo actual.
GUID de la carpeta[Texto] Se devuelve el GUID de la carpeta actual.
Nivel de procesamiento

Selección del nivel de manejo de errores. Valores posibles:

  • "Default" - por defecto;
  • "Ignore" - se ignoran los errores;
  • "Handle" - se manejan los errores.

Si se elige el valor "Default", se utilizará el valor del bloque "Inicio" de este diagrama.

Nivel de mensajes

Selección del nivel de mensajes que mostrarán los bloques durante su funcionamiento. Valores posibles:

  • "Default" - por defecto;
  • "Release" - salida desactivada;
  • "Debug" - salida de información principal;
  • "Detailed" - salida de información detallada.

Si se elige el valor "Default", se utilizará el valor del bloque "Inicio" de este diagrama.

Texto de error[Texto] Devuelve información detallada sobre el error en caso de ejecución incorrecta del bloque.

[^1]: El embedding es un vector (conjunto de números) que caracteriza el significado asociado con el texto de entrada proporcionado. Las palabras o frases con significados similares tendrán embeddings con una distancia coseno mínima. Los embeddings también pueden utilizarse para buscar palabras, cadenas o párrafos más cercanos en significado en bases de datos de documentos.