Rastrea tu web para entrenar a tu agente de IA

La forma más rápida de dar conocimiento a tu agente es que lea tu web. Introduces una dirección, intoCHAT muestra las páginas que encuentra y tú eliges cuáles añadir.

Encontrar y añadir páginas

1. Abre la pestaña Knowledge (conocimiento) del agente y elige Website en Add knowledge.
2. Introduce tu web en Website URL, por ejemplo https://example.com.
3. Opcional: en Exclude URLs containing, indica partes de direcciones que quieres omitir, separadas por comas, por ejemplo /blog, /careers, ?lang=.
4. Haz clic en Find pages (buscar páginas).
5. Revisa la lista. Usa Filter pages…, Select all (todas) o None (ninguna) y marca las páginas una a una.
6. Haz clic en Add … selected pages y espera a que termine la barra de progreso.
7. Haz clic en Train agent en la parte superior de la pestaña.

Las páginas añadidas se guardan al instante con el estado Pending (pendiente). El agente solo las usa después del entrenamiento.

Cómo se encuentran las páginas

Find pages combina dos métodos:

• Sitemap: intoCHAT busca un sitemap en las ubicaciones habituales, como /sitemap.xml y /wp-sitemap.xml, y en la línea Sitemap: del archivo robots.txt. Se omiten las páginas de inicio de sesión, registro y administración.
• Mapa de enlaces: un rastreador recoge los enlaces del mismo dominio.

Cada método devuelve hasta 500 direcciones. Se eliminan los duplicados como /about y /about/, las imágenes, los feeds y otros archivos que no son páginas. Los enlaces a archivos PDF se quedan en la lista y se leen como páginas.

En una web multilingüe con carpetas de idioma como /de/ y /fr/, aparece una fila Languages (idiomas) encima de la lista. Vienen preseleccionadas las páginas en el idioma de la dirección introducida y la página de inicio; haz clic en un idioma para seleccionar o deseleccionar todas sus páginas. Las páginas que ya están en tu conocimiento muestran already added y no se seleccionan.

Qué se lee de cada página

intoCHAT lee el contenido principal de cada página. Se eliminan los widgets de chat y los banners de cookies, y los menús o banners que se repiten en todas las páginas se conservan una sola vez.

Algunas webs construyen su contenido con JavaScript después de cargar. Si varias páginas vuelven como la misma carcasa vacía, intoCHAT las lee de nuevo dándoles unos segundos para cargar, y hace lo mismo con el resto del rastreo; por eso estas webs tardan más. Si el rastreador está ocupado, el rastreo se pausa con una cuenta atrás y luego continúa solo.

Las páginas que agotan el tiempo se reintentan una vez al final. Una página que sigue fallando se marca como failed: pasa el ratón por encima para ver el motivo y después selecciónala y añádela de nuevo.

Single page mode

Activa Single page mode (modo de página única) para añadir una sola dirección sin recorrer la web. El botón cambia a Add page. Úsalo para una página que la búsqueda no encontró. Para actualizar una página que ya añadiste, usa mejor Refresh from website (actualizar desde la web) en su fuente.

Límites de rastreo

• La búsqueda con Find pages no consume rastreos.
• Añadir páginas consume un rastreo, tanto si es una selección como una página única. Todas las páginas de una misma tanda lo comparten. Refresh from website en una fuente cuenta igual que añadir una sola página.
• Los rastreos se cuentan por cuenta, para todos tus agentes, y se reinician cada mes.
• El texto rastreado cuenta para el límite de caracteres del agente. Si una tanda alcanza el límite, las páginas restantes se marcan como fallidas.

Cuando no te quedan, intoCHAT muestra «Monthly crawl limit reached». Puedes seguir añadiendo archivos, textos y preguntas.

Webs que bloquean rastreadores

Algunas webs rechazan a los visitantes automáticos con una protección contra bots o un cortafuegos. Entonces ves «No pages found», o las páginas fallan con poco o ningún contenido. Prueba Single page mode con las páginas más importantes, guarda las páginas clave como PDF y súbelas como archivos, o pega su texto como texto.

Solo se pueden rastrear direcciones públicas http y https. Se rechazan las páginas que requieren iniciar sesión, las direcciones con usuario y contraseña y las direcciones de redes privadas o internas.

Mantener las páginas al día

No hay sincronización automática, y Re-index saved text (reindexar el texto guardado) solo vuelve a entrenar el texto leído antes. Para recoger los cambios de una página, haz clic en Refresh from website (el icono de la nube) en su fuente. intoCHAT vuelve a leer esa página y, si su texto cambió, la guarda y la reentrena al momento; si no, ves «No changes found». Una página leída en la última hora puede venir de una copia en caché.

Para actualizar muchas páginas a la vez, añádelas de nuevo con Find pages y después entrena. Las fuentes existentes se actualizan en lugar de duplicarse. Consulta Gestionar fuentes.