# Vectara

## Tutorial de Inicio Rápido

{% embed url="<https://www.youtube.com/watch?v=rBqpvFcD5XY>" %}

## Prerequisitos

1. Registra una cuenta en [Vectara](https://vectara.com/integrations/flowise)
2. Haz clic en **Create Corpus**

<figure><img src="/files/uv8pxs6H6F4bdWiJmzoy" alt=""><figcaption></figcaption></figure>

Nombra el corpus a crear y haz clic en **Create Corpus**, luego espera a que el corpus termine de configurarse.

## Configuración

1. Haz clic en la pestaña **"Access Control"** en la vista del corpus

<figure><img src="/files/P9vmyo5LdakbVJTD8DGG" alt=""><figcaption></figcaption></figure>

2. Haz clic en el botón **"Create API Key"**, elige un nombre para la API key y selecciona la opción **QueryService & IndexService**

<figure><img src="/files/gqxuHwmVVqy6r3feCpyO" alt=""><figcaption></figcaption></figure>

3. Haz clic en **Create** para crear la API key
4. Obtén tu **Corpus ID, API Key, y Customer ID** haciendo clic en la flecha hacia abajo bajo "copy" para tu nueva API key:

<figure><img src="/files/FuLDF0g2heJPZrOUIhxa" alt=""><figcaption></figcaption></figure>

5. De vuelta al canvas de Flowise, crea tu chatflow. Haz clic en **Create New** desde el menú desplegable de Credentials e ingresa tus credenciales de Vectara.

<figure><img src="/files/olwXDPUTwUyOgHBSkVZs" alt="" width="500"><figcaption></figcaption></figure>

6. ¡Disfruta!

## Parámetros de Consulta de Vectara

Para un control más preciso sobre los parámetros de consulta de Vectara, haz clic en "**Additional Parameters**" y podrás actualizar los siguientes parámetros desde sus valores por defecto:

* Metadata Filter: Vectara soporta filtrado de metadata. Para usar el [filtrado](https://docs.vectara.com/docs/common-use-cases/filtering-by-metadata/filter-overview), asegúrate de que los campos de metadata que deseas filtrar estén definidos en tu corpus de Vectara.
* "Sentences before" y "Sentences after": estos controlan cuántas oraciones antes/después del texto coincidente son devueltas como resultados del motor de recuperación de Vectara
* Lambda: define el comportamiento de la [búsqueda híbrida](https://docs.vectara.com/docs/learn/hybrid-search) en Vectara
* Top-K: cuántos resultados devolver de Vectara para la consulta
* MMR-K: número de resultados a usar para [MMR](https://docs.vectara.com/docs/api-reference/search-apis/reranking#maximal-marginal-relevance-mmr-reranker) (relevancia marginal máxima)

<figure><img src="/files/i1233coZqwCN6Et5eBmt" alt="" width="500"><figcaption></figcaption></figure>

## Recursos

* [LangChain JS Vectara Blog Post](https://blog.langchain.dev/langchain-vectara-better-together/)
* [5 Razones para Usar la Integración de Vectara con Langchain Blog Post](https://vectara.com/5-reasons-to-use-vectaras-langchain-integration/)
* [Relevancia Marginal Máxima en Vectara](https://vectara.com/blog/get-diverse-results-and-comprehensive-summaries-with-vectaras-mmr-reranker/)
* [Blog Post sobre el modelo de embedding Boomerang de Vectara](https://vectara.com/introducing-boomerang-vectaras-new-and-improved-retrieval-model/)
* [Detectando Alucinaciones con HHEM de Vectara](https://vectara.com/blog/cut-the-bull-detecting-hallucinations-in-large-language-models/)


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.flowiseai.com/espanol/documentacion-oficial/integraciones/langchain/vector-stores/vectara.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.