Výběr datového zdroje
Vyberte systém, který vlastní aktuální verzi obsahu. Synchronizovaný zdroj je vhodnější než opakovaný upload, pokud se obsah mění. Manual Upload je lepší, když musí být každá verze záměrně schválena.
Rozhodovací tabulka
| Zdroj | Použijte, když | Do Data zadáte | Nepoužívejte, když |
|---|---|---|---|
| Manual Upload | Máte malou/testovací sadu, schválený snapshot nebo lokální export | Jeden či více souborů | Živá složka se často mění |
| Google Drive | Aktuální dokumenty vlastní Google složka nebo Shared Drive | ID složek a přepínače podložek/shared drive | Obsah patří do Microsoft 365 |
| OneDrive | Soubory vlastní nebo přijímá jeden Microsoft uživatel | Relativní cesty v disku | Obsah vlastní týmový web či knihovna |
| SharePoint | Často měněný týmový obsah je na webu nebo v knihovně dokumentů | Přesné cesty knihovny/složek | Jde o osobní OneDrive obsah |
| Azure Storage Account | Externí systém nebo pipeline publikuje velké objemy blobů | Název, cesta či selektor blobu | Zdroj je SMB file share |
| Azure File Share | Velký lokální/on-premises repozitář je zpřístupněný přes Azure Files | Přesné názvy shares | Zdroj je blob container nebo není dostupný přes Azure Files |
| Jira | Mají být prohledávatelné aktuální issues projektu | Jeden Project Key | Potřebujete jednu issue nebo libovolné JQL |
| Confluence | Znalostní bázi tvoří jeden udržovaný space | Jeden Space Key | Potřebujete jednu dočasnou stránku |
| Firecrawl | Schválený web nemá nativní konektor | URL, režim, limit a volitelné regexy cest | Web vyžaduje login nebo jej nesmíte kopírovat |
Podporované soubory a limity
Aktuální RAG readery výslovně podporují pro souborové datové zdroje tyto formáty:
| Obsah | Podporované přípony |
|---|---|
| JSON | .json |
| Text a zdrojový kód | .txt, .csv, .sql, .xml, .js, .mjs, .cjs |
.pdf | |
| Word | .docx |
| Excel | .xls, .xlsx |
| PowerPoint | .pptx |
| Markdown | .md |
Třída souborů Other v aplikaci je kategorie filtru, nikoli záruka dostupného parseru. Nepředpokládejte, že lze indexovat starší soubory .doc nebo .ppt, obrázky či jiné binární formáty. Naskenovaná PDF a obrazově orientované dokumenty Office mohou vyžadovat pokročilou extrakci obsahu. Vždy ověřte jejich stav Indexed a Readable a zkontrolujte reprezentativní extrahovaný text.
Manual Upload a limity ZIP
Tyto pevné limity platí pro Manual Upload, nikoli obecně pro jednotlivé objekty nalezené synchronizovanými konektory:
- Každý nahraný soubor včetně ZIP archivu nejvyšší úrovně může obsahovat nejvýše
200 000 000bajtů: 200 MB, tedy přibližně 190,7 MiB. - Jeden požadavek na vytvoření zdroje může obsahovat nejvýše 1 000 přímo vybraných souborů.
- ZIP je přepravní kontejner pro Manual Upload, nikoli samostatný prohledávatelný formát RAG.
Rozbalení ZIP je omezeno na 1 000 položek napříč nahranými archivy v jednom požadavku, 200 000 000 nekomprimovaných bajtů na položku a 500 000 000 nekomprimovaných bajtů celkem. Kompresní poměr položky nesmí překročit 100:1 a její název nesmí mít více než 512 znaků. Vnořené ZIP soubory, prázdné položky, nebezpečné cesty, poškozené nebo nečitelné položky a položky překračující limit se přeskočí. Pokud nelze importovat žádný nahraný soubor ani položku archivu, vytvoření zdroje selže.
Uživatelské RAG kvóty
Limit jednoho souboru v Manual Upload je oddělený od souhrnné kapacity popsané v části Limity nahrávání dat. Výchozí hodnota backendu je 500 MB na uživatele, ale administrátor může změnit výchozí hodnotu organizace nebo nastavit hodnotu konkrétnímu uživateli. Kapacita 0 MB blokuje nové dokumenty s kladnou velikostí.
Pokročilá extrakce obsahu má samostatný limit analyzovaných stran. Limit 0 nebo prázdné pole limitu stran v aplikaci znamená neomezený počet analyzovaných stran. Tyto kapacity se uplatňují napříč datovými zdroji uživatele. Synchronizované konektory mohou být navíc omezeny poskytovatelem a ingestní službou, proto se limit 200 MB pro Manual Upload nesmí považovat za univerzální limit jednoho objektu konektoru. Kontroly extrakce a indexování popisuje Zpracování, synchronizace a řešení potíží.
Connection versus Data source
Connection uchovává autentizaci, zatímco Data source vymezuje rozsah:
Connection: Support Google account (OAuth)
Data source: Folder ID 1AbC..., include subfolders
Collection: Customer Support — Approved Knowledge
API klíče, OAuth tokeny, Azure connection stringy a hesla nikdy nevkládejte do polí pro složku, blob, projekt, space či URL.
Rychlé doporučení
- SharePoint použijte pro často měněné týmové dokumenty synchronizované z řízeného webu nebo knihovny.
- Manual Upload použijte pro malé nebo testovací sady a snapshoty, které se mají nahrazovat záměrně.
- Azure Storage Account použijte pro velké objemy z externích aplikací, exportů nebo automatických pipeline.
- Azure File Share použijte pro velké repozitáře z lokálních nebo on-premises serverů, jakmile jsou zpřístupněné či synchronizované přes Azure Files.
Automatizovaný lokální nebo on-premises feed
Pokud interní file server zůstává zdrojem pravdy, publikujte do Azure File Share pouze schválený obsah pomocí řízené synchronizační služby. Oddělte zápis uploaderu od čtení Siesta AI, metadata publikujte až po dokončení souborů a pilotem ověřte aktualizace i mazání. Pokračujte návodem Automatizovaný příjem souborů přes Azure File Share.
Hranice kolekce
Kolekce rozdělte, pokud se liší publikum, vlastník, důvěrnost, frekvence synchronizace, retence nebo cíloví agenti. Poskytovatel sám o sobě hranici neurčuje.
Uživatel obvykle vybírá materiál, kontroluje dokumenty a testuje odpovědi. Admin připravuje sdílená Connections, schvaluje viditelnost, volí servisní identitu a odpovídá za rotaci přístupů.