Búsqueda y RAG

---
name: busqueda-y-rag
description: encontrar la respuesta dentro de tus propios documentos.
---

# Búsqueda y RAG

Instrucciones para el agente que está construyendo esta app. Sigue esta skill cuando
implementes búsqueda de texto completo, embeddings o respuestas con citas sobre
contenido propio.

## Cuándo usar esta skill

Actívala en cuanto se cumpla cualquiera de estas condiciones:

- Hay más contenido del que alguien puede recorrer a mano.
- El usuario quiere preguntar en lenguaje natural sobre documentos propios.
- Necesitas encontrar cosas por significado y no solo por palabra exacta.
- Estás replicando un asistente, un buscador o una base de conocimiento.

No empieces por la base vectorial. Para casi todo lo que vas a construir, la búsqueda
léxica de Postgres es mejor punto de partida que un stack de RAG completo.

## Cómo construirla

Usa este stack salvo que el proyecto ya tenga otro decidido: **Postgres** con
`tsvector` para texto completo, **pgvector** para semántica, reordenamiento híbrido
antes de pasarle nada al modelo.

1. Primero búsqueda léxica: `tsvector` con índice GIN y ranking. Resuelve más casos de
   los que crees y cuesta cero por consulta.
2. Trocea los documentos por estructura (encabezados, párrafos), no por número fijo de
   caracteres.
3. Guarda embeddings en pgvector junto a los metadatos. Una base vectorial aparte es un
   servicio más que mantener.
4. Combina ambos rankings (híbrido) y reordena los diez mejores antes de armar el
   prompt.
5. Responde siempre con citas al fragmento de origen y enlace. Sin cita, es una
   alucinación con buena redacción.
6. Reindexa cuando cambie el documento y guarda el hash para no recalcular embeddings de
   lo que no cambió.

## En qué te vas a trabar

- **Los embeddings cuestan por documento y por reindexación.** Un corpus grande deja de
  ser gratis rápido; mide el costo antes de indexar todo de golpe.
- **RAG sin evaluación es fe.** Junta veinte preguntas reales con su respuesta esperada y
  mídelas en cada cambio de prompt o de chunking.
- **Si el usuario ya sabe la palabra exacta que busca, el modelo estorba.** Deja también
  la búsqueda simple como opción, no solo el chat.

## Criterio de terminado

No declares esto listo hasta que la búsqueda léxica funcione sola sin el modelo, las
respuestas con RAG citen la fuente correcta en tus veinte preguntas de prueba, y
reindexar un documento no reprocese los que no cambiaron.