GuíaIntermedio

Guía de RAG de Producción e Ingesta de Documentos

Construye la plomería de datos de un RAG de producción sobre documentos reales de Reservo —trece documentos en tres formatos crudos: markdown, HTML y un `.txt` deliberadamente "sucio" que simula una extracción de PDF/OCR— y la conecta a un agente como una herramienta más. Cubre el pipeline completo de ingestión: parsear cada formato crudo, limpiar artefactos reales (headers repetidos, guionado roto, saltos de página), aplicar chunking con criterio y adjuntar los metadatos que hacen falta para citar la fuente después. Indexa esos chunks con un índice BM25 construido desde cero ($0, determinista, rotulado siempre como recuperación léxica real —el mismo algoritmo detrás de Elasticsearch/OpenSearch— y nunca como búsqueda semántica), y expone la búsqueda como la tool `search_docs(query, k)` que el agente invoca dentro de su propio bucle: recuperación agéntica, no un pipeline RAG monolítico de una sola pasada, con el agente decidiendo cuándo buscar y combinando la búsqueda con las tools de negocio de Reservo en el mismo turno. Cubre también la ingestión incremental e idempotente (reingestar documentos que cambian sin duplicar, detectando altas/modificaciones/bajas por hash de contenido), la evaluación de la calidad de recuperación con un set de queries de ground-truth fijo y métricas de forma —recall@k, precision@k, nunca un juez semántico—, y la operación del sistema: citar fuentes, manejar el caso de cero resultados sin alucinar, filtrar chunks irrelevantes y estimar el costo del pipeline. Toda la ingeniería se ejecuta de verdad con Python 3.14 y `numpy`; la decisión del LLM es concepto. No enseña la teoría de embeddings ni construye un vector database —eso queda nombrado como el paso siguiente de AI Engineering.