🚀 EDDI 6.5.0

19 proveedores LLM, bases de conocimiento que rastrean su sitio y leen sus archivos, y conversaciones que siguen las versiones compatibles del agenteNovedades

Cloud Gestionada Empezar
Todas las integraciones
Datos y RAGstoreType: chroma

Chroma

Chroma como almacén vectorial de una base de conocimiento de EDDI. La opción de menor fricción cuando no tienes infraestructura existente que reutilizar.

ConfiguraciónDocumentación ↗

Qué obtienes

  • Respuestas con recuperación aumentada a partir de tus propios documentos
  • Uno de los 6 almacenes vectoriales, elegido por configuración y no por código
  • Fuentes de ingesta: rastreo de sitios web y archivos subidos, con programaciones e historial de ejecuciones

Cómo funciona en EDDI

  1. Ejecuta un servidor Chroma y anota su URL y el nombre de una colección.
  2. Crea una RagConfiguration con storeType: "chroma" y los parámetros del almacén, además del proveedor de embeddings.
  3. Vincúlala al agente con un paso de workflow eddi://ai.labs.rag.
  4. Selecciónala en la tarea de LLM por nombre en knowledgeBases y luego ingiere documentos.

Configuración

Extraída de la documentación de EDDI. Los marcadores como your-agent-id deben sustituirse por tus propios valores.

RagConfiguration (POST /ragstore/rags)La base de conocimiento. Chroma recibe una URL base y un nombre de colección.
{
  "name": "product-docs",
  "embeddingProvider": "openai",
  "embeddingParameters": {
    "model": "text-embedding-3-small",
    "apiKey": "${vault:openai-key}"
  },
  "storeType": "chroma",
  "storeParameters": {
    "baseUrl": "http://localhost:8000",
    "collectionName": "product-docs"
  },
  "chunkStrategy": "recursive",
  "chunkSize": 512,
  "chunkOverlap": 64,
  "maxResults": 5,
  "minScore": 0.6
}
workflow step + langchain.json taskEl paso que la vincula al agente y la tarea que la usa. Omitir el paso de workflow es el error más común.
// 1. workflow step: binds the knowledge base to the agent
{ "type": "eddi://ai.labs.rag",
  "extensions": {},
  "config": { "uri": "eddi://ai.labs.rag/ragstore/rags/{ragId}?version=1" } }

// 2. LLM task: selects it by the "name" of the RagConfiguration
{ "tasks": [{
    "actions": ["*"],
    "type": "openai",
    "knowledgeBases": [{ "name": "product-docs", "maxResults": 5, "minScore": 0.7 }],
    "parameters": { "systemMessage": "You are a helpful assistant." }
} ] }

Gobernanza

  • Las claves de API de embeddings son referencias a la bóveda, de modo que el corpus de documentos y las credenciales permanecen separados.
  • Las llamadas de embeddings envían texto de los documentos a un proveedor de embeddings alojado. Si los datos no pueden salir de tu infraestructura, usa un modelo de embeddings autoalojado.
  • Un almacén vectorial abierto es una copia de tu corpus. Ejecuta Chroma con autenticación y fuera de las interfaces públicas.

Conviene saber

  • La sustitución de los fragmentos de un documento está verificada para el almacén en memoria y pgvector. Para Chroma se espera que funcione, pero no está cubierta por pruebas, por lo que los documentos reingeridos pueden dejar fragmentos obsoletos.
EmpezarDocumentación ↗

Integraciones relacionadas

Datos y RAGpgvectorPostgreSQL con pgvector como almacén vectorial de una base de conocimiento de EDDI. La opción persistente recomendada cuando ya operas PostgreSQL.Datos y RAGQdrantQdrant como almacén vectorial de una base de conocimiento de EDDI, una base de datos vectorial especializada con margen para crecer.InfraestructuraOllamaEjecuta modelos en local con Ollama y mantén los prompts y los documentos en tu propio hardware, para entornos locales y aislados de la red (air-gapped).

La configuración y el comportamiento de esta página siguen la documentación de EDDI, comprobada el 2026-10-14. Los nombres de campo y los valores por defecto pueden cambiar entre versiones, así que confírmalos en la documentación de tu versión.