Antes de meter ni un documento de Computación y Robótica en MonteIA, había que resolver algo más básico: rag.py solo sabía buscar en un sitio. Esta entrada es la parte de arquitectura —preparar el RAG para varios corpus independientes— sin ningún contenido de asignatura todavía, y probada contra los 42 documentos reales del centro para no romper nada de lo que ya funcionaba.
Revisamos uno a uno los 75 documentos reales del centro y los repartimos en dos carpetas según si son aptos para el RAG o no, con criterios de privacidad y seguridad más allá de si el documento es “público”. De paso, rediseñamos rag.py para que indexe automáticamente lo que haya en la carpeta, sin mantener una lista de archivos a mano.
MonteIA estrena su primer sistema RAG: búsqueda por palabras clave con BM25 (sin embeddings ni GPU) sobre 5 documentos reales del centro, elegidos a propósito por ser de interés general y no contener datos personales, dejando fuera a propósito los documentos sensibles de la carpeta de 75.