Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Recuperación de datos y generación de respuestas de IA con Bases de conocimiento de Amazon Bedrock Aunque los modelos fundacionales tienen conocimientos generales, puede mejorar aún más sus respuestas utilizando la generación aumentada por recuperación (RAG). RAG es una técnica que utiliza información de orígenes de datos para mejorar la relevancia y precisión de las respuestas generadas. Con Bases de conocimientos de Amazon Bedrock, puede integrar información propia en sus aplicaciones de IA generativa. Cuando se realiza una consulta, una base de conocimiento busca en sus datos información relevante para responder a la consulta. Luego, la información recuperada se puede utilizar para mejorar las respuestas generadas. Las bases de conocimiento de Amazon Bedrock ayudan a crear aplicaciones de IA para agencias seguras y de nivel empresarial al aprovechar la recuperación segura de conjuntos de datos a gran escala. Amazon Bedrock Knowledge Bases ofrece dos tipos de bases de conocimiento: + **Base de conocimientos gestionada**: Amazon Bedrock gestiona la infraestructura subyacente de ingesta, indexación, almacenamiento y recuperación de datos para que pueda centrarse en la lógica de sus aplicaciones y agentes. La base de conocimientos gestionada ofrece capacidades avanzadas que incluyen la ingesta de datos multimodales, el autoscalamiento del almacenamiento, la recuperación de agentes para el razonamiento de varios saltos y más, sin dejar de ofrecer personalizaciones clave para que pueda adaptar los agentes a su caso de uso. Conecta sus fuentes de datos y Amazon Bedrock gestiona la incrustación, la reclasificación y el razonamiento con modelos gestionados por servicios de forma predeterminada (con la opción de elegir sus propios modelos). La base de conocimientos gestionada se integra de forma nativa con AgentCore Gateway, por lo que cualquier entorno de MCP-compatible agentes puede descubrir e invocar su base de conocimientos como una herramienta sin necesidad de código personalizado. Managed Knowledge ofrece conectores para Amazon S3, Confluence SharePoint, Google Drive y Web Crawler OneDrive, además de filtrado de permisos a nivel de documento mediante listas de control de acceso (excepto Web Crawler) en el momento de la recuperación. La función de análisis inteligente selecciona automáticamente la estrategia de análisis por tipo de documento, incluidos archivos PDF, PPTX, DOCX, documentos con imágenes incrustadas, audio, vídeo y documentos escaneados. Agentic Retrieval admite el razonamiento con varios saltos, descompone las consultas complejas en subconsultas, las recupera de forma iterativa en múltiples bases de conocimiento y evalúa la suficiencia de las respuestas. La integración nativa con AgentCore Observability ofrece una monitorización integrada, trazas de recuperación, trazas de agentes y métricas basadas en la base de conocimientos. + **Self-managed Base de conocimientos**: esto le permite configurar y administrar su propia canalización de RAG, incluido el almacén de vectores (como Amazon OpenSearch Serverless, Amazon Aurora y Amazon Neptune), y tener un control total sobre las configuraciones de ingesta, análisis, indexación y almacenamiento de datos. Deberá configurar y administrar la infraestructura y las configuraciones relacionadas, como el análisis de datos multimodales. Tenga en cuenta que varias funciones, como los conectores de terceros, los permisos a nivel de documento y la integración nativa de AgentCore Gateway, solo están disponibles para las bases de conocimiento gestionadas. Con Bases de conocimiento de Amazon Bedrock, puede: + Responder a las consultas de los usuarios devolviendo información relevante de los orígenes de datos + Utilizar la información recuperada de los orígenes de datos para ayudar a generar una respuesta precisa y relevante a las consultas de los usuarios + Mejorar sus propias peticiones introduciendo la información relevante devuelta en la petición + Incluir citas en la respuesta generada para poder hacer referencia al origen de datos original y comprobar su precisión + Incluir documentos con abundantes recursos visuales, de los que se puedan extraer imágenes y recuperarlas en respuesta a las consultas. Si genera una respuesta basada en los datos recuperados, el modelo puede ofrecer información adicional basada en estas imágenes. + Realice búsquedas utilizando imágenes como consultas para encontrar contenido visualmente similar, o combine texto e imágenes en las consultas para obtener resultados más precisos mediante modelos de incrustación multimodales. + Utilizar modelos de reclasificacióno para influir en los resultados que se recuperan del origen de datos **Topics** + [Funcionamiento de las bases de conocimientos](kb-how-it-works.md) + [Modelos y regiones admitidos](knowledge-base-supported.md) + [Chateo con un documento sin necesidad de configurar](knowledge-base-chatdoc.md) + [Configuración de permisos para crear y administrar bases de conocimiento](knowledge-base-prereq-permissions-general.md) + [Cree una base de conocimientos gestionada](kb-build-managed.md) + [Cree una base de conocimientos con tiendas de vectores](knowledge-base-build.md) + [Creación de una base de conocimiento conectándose a un almacén de datos estructurados](knowledge-base-build-structured.md) + [Creación de una base de conocimiento con un índice GenAI de Amazon Kendra](knowledge-base-build-kendra-genai-index.md) + [Creación de una base de conocimiento con gráficos de Análisis por Amazon Neptune](knowledge-base-build-graphs.md) + [Prueba de la base de conocimientos mediante consultas y respuestas](knowledge-base-test.md) + [Implementación de la base de conocimientos en la aplicación](knowledge-base-deploy.md) + [Visualización de información sobre una base de conocimientos](kb-info.md) + [Modificación de una base de conocimientos](kb-update.md) + [Eliminación de una base de conocimientos](kb-delete.md)