Curso sobre RAG: 8 – Ejemplo práctico RAG – Parte 1: crear documentos y consultarlos

Ejemplo práctico RAG – Parte 1: crear documentos e indexarlos

Una vez preparado el entorno, el siguiente paso es construir
un primer sistema RAG funcional, empezando por lo más importante:
los documentos y la búsqueda semántica.

En esta primera parte no generaremos respuestas con un modelo de lenguaje.
El objetivo es entender cómo:

• Se cargan documentos
• Se convierten en embeddings
• Se almacenan en una base vectorial
• Se recuperan por similitud

El proyecto utilizado es hello-world-rag.

1. Crear una carpeta para los documentos

Dentro del proyecto, creamos una carpeta llamada:

docs

La estructura del proyecto queda así:

hello-world-rag
│
├── docs
│   ├── facturacion.txt
│   └── clientes.txt
│
├── venv
└── main.py

2. Crear documentos de ejemplo

Para el ejemplo, se crean dos documentos muy simples.

docs/facturacion.txt

La facturación permite generar facturas a clientes.
Una factura debe tener cliente, fecha y líneas de servicio.
Si el cliente no tiene NIF, la factura no se puede emitir.

docs/clientes.txt

Los clientes deben tener nombre y NIF.
El NIF es obligatorio para poder facturar.
Un cliente puede tener varios centros de coste.

Estos textos simulan documentación típica de un software de gestión.

3. Primer script: cargar e indexar documentos

Editamos el archivo main.py y añadimos el siguiente código:

import chromadb
from chromadb.utils import embedding_functions
import os

# Crear cliente de Chroma (base vectorial local)
client = chromadb.Client()

# Usamos una función de embeddings simple (por ahora)
embedding_function = embedding_functions.DefaultEmbeddingFunction()

# Crear o recuperar una colección
collection = client.get_or_create_collection(
    name="documentacion",
    embedding_function=embedding_function
)

# Cargar documentos desde la carpeta docs
docs_path = "docs"
documents = []
metadatas = []
ids = []

for i, filename in enumerate(os.listdir(docs_path)):
    with open(os.path.join(docs_path, filename), "r", encoding="utf-8") as f:
        documents.append(f.read())
        metadatas.append({"archivo": filename})
        ids.append(f"doc_{i}")

# Añadir documentos a la base vectorial
collection.add(
    documents=documents,
    metadatas=metadatas,
    ids=ids
)

print("Documentos indexados correctamente")

4. Ejecutar el script

Desde la terminal, con el entorno virtual activo:

python main.py

Si todo funciona correctamente, el resultado será:

Documentos indexados correctamente

En este punto, los textos ya están convertidos en embeddings
y almacenados en la base vectorial.

5. Probar una búsqueda semántica

Ahora modificamos main.py para hacer una consulta:

# Consulta de ejemplo
query = "¿Es obligatorio el NIF para facturar?"

results = collection.query(
    query_texts=[query],
    n_results=2
)

print("Pregunta:", query)
print("Resultados:")
for doc, meta in zip(results["documents"][0], results["metadatas"][0]):
    print("-", meta["archivo"])
    print(doc)

Al ejecutar de nuevo:

python main.py

Se obtiene como resultado el texto más relevante,
aunque la pregunta no coincida literalmente con el documento.

Qué está pasando realmente aquí

• Los textos se convierten en números (embeddings)
• La pregunta también se convierte en números
• Chroma compara similitud, no palabras exactas
• Se devuelven los documentos más cercanos semánticamente

Esto es el corazón de cualquier sistema RAG.

Limitaciones de esta primera parte

Este ejemplo:

• No genera una respuesta redactada
• No usa todavía un modelo de lenguaje
• No aplica filtros por permisos o roles

Y eso es intencionado.

En la siguiente parte se añadirá el modelo de lenguaje
para generar respuestas a partir de los documentos recuperados.