Chargement…
| Utilisateur | Entrée | Sortie | Total |
|---|
Une base de connaissances regroupe des documents de référence utilisés par le RAG. Associez une base à un module pour enrichir ses analyses avec du contexte documentaire.
| Nom | Description | Espace de stockage | Embedding | Documents | Index |
|---|
| Nom | Description | Modèle IA | Base RAG | Statut |
|---|
Chaque équipe regroupe des utilisateurs et dispose de portfolios (pipelines) dédiés. Les utilisateurs sans équipe n'ont accès à aucun portfolio.
| Équipe | Membres | Portfolios |
|---|
Les intercepteurs filtrent le texte du document avant son envoi au LLM (mode before agent). Ils sont actifs pour tous les pipelines. Les intercepteurs PII (email, carte bancaire, IP, MAC, URL) sont fournis par défaut et désactivés — activez-les via la bascule.
| Actif | Nom | Type | Action | Motif |
|---|
| Utilisateur | Rôle |
|---|
| Nom | Description | Statut |
|---|
Les documents de cette base seront injectés comme contexte de référence lors de chaque analyse.
Définissez le comportement du module via les trois champs ci-dessous. Si le champ Prompt complet est renseigné, il prend la priorité sur ces champs.
Décrivez une situation concrète où le module s'est trompé, et le comportement qui aurait été correct.
L'espace de stockage définit où les documents sont physiquement enregistrés. Laissez « Aucun » si non configuré.
Modèle utilisé pour indexer et rechercher les documents. Doit rester le même après indexation. Configurez les modèles disponibles dans l'admin → Embedding RAG.
| Fichier | Fragments | Ajouté le |
|---|
Syntaxe Python re · drapeaux IGNORECASE | MULTILINE appliqués automatiquement.
Décrivez ce que vous voulez détecter :
Le LLM reçoit votre consigne (champ « Instruction » ci-dessus) + le texte du document, et doit répondre par un tableau JSON des chaînes à signaler.