Context Retriever Skill

Propósito

Esta habilidad permite a los agentes especializados (Legal, Técnico, Financiero) recuperar contexto relevante de los documentos RFP indexados. Implementa estrategias avanzadas de recuperación para maximizar la calidad del contexto:

•MMR (Maximal Marginal Relevance): Penaliza la redundancia para obtener chunks diversos
•Filtrado por Metadatos: Permite a cada agente buscar solo en su dominio
•Score Thresholding: Descarta resultados de baja confianza para evitar alucinaciones
•Citas Precisas: Cada resultado incluye page_number, source_file y chunk_id

Directrices de Uso Operativo

Cuándo Usar

•Responder preguntas sobre contenido de documentos RFP
•Buscar cláusulas o términos específicos
•Recuperar contexto para análisis especializado (legal, técnico, financiero)

Cuándo NO Usar

•Ingestar nuevos documentos (usar RFPDocumentLoader)
•Consultas generales que no requieren contexto del RFP
•Cuando el Vector Store no tiene documentos indexados

Entrada

Parámetro	Tipo	Requerido	Descripción
`query`	`str`	✅	La pregunta o concepto a buscar
`top_k`	`int`	❌	Número de chunks a recuperar (default: 4)
`search_type`	`SearchType`	❌	`SIMILARITY` o `MMR` (default: MMR)
`metadata_filter`	`dict`	❌	Filtros clave-valor para limitar búsqueda
`score_threshold`	`float`	❌	Umbral mínimo de similitud (default: 0.65)

Salida

RetrievalOutput con:

•results: Lista de ContextResult con content, metadata, relevance_score
•query: La query original normalizada
•total_found: Cantidad de resultados antes del threshold
•warning: Mensaje si hay pocos resultados o baja confianza

Filtrado por Metadatos

Los agentes pueden filtrar resultados usando metadata_filter:

python

# Solo buscar en páginas del anexo técnico
metadata_filter = {
    "source": "anexo_tecnico.pdf",
}

# Solo buscar después de página 10
metadata_filter = {
    "page": {"$gt": 10}
}

# Combinar filtros
metadata_filter = {
    "source": "pliego_bases.pdf",
    "page": {"$gte": 5, "$lte": 20}
}

Ejemplos de Invocación (Few-Shot)

Ejemplo 1: Búsqueda estándar con MMR

code

Usuario: "¿Cuáles son las multas por incumplimiento?"

Acción:
retriever.retrieve(
    query="multas por incumplimiento contrato penalidades",
    top_k=4,
    search_type=SearchType.MMR
)

Ejemplo 2: Búsqueda filtrada por agente legal

code

Usuario: "Busca la cláusula de garantía en los documentos legales"

Razonamiento: Usuario menciona "legales", filtrar por source que contenga "legal" o "contrato"

Acción:
retriever.retrieve(
    query="cláusula garantía cumplimiento",
    metadata_filter={"source": {"$contains": "legal"}},
    search_type=SearchType.MMR
)

Ejemplo 3: Búsqueda de alta precisión

code

Usuario: "Necesito información muy precisa sobre ISO 27001"

Razonamiento: Usuario pide alta precisión, aumentar threshold.

Acción:
retriever.retrieve(
    query="ISO 27001 certificación seguridad información",
    score_threshold=0.75,
    top_k=3
)

Manejo de Errores

Error	Respuesta del Sistema
Vector Store vacío	`IndexEmptyError` con instrucciones para ingestar documentos
Sin resultados sobre threshold	Retorna lista vacía con `warning` explicativo
Timeout de búsqueda	`SearchTimeoutError` con query que falló

Diagrama de Flujo

mermaid

flowchart TD
    A[Query Input] --> B{Vector Store Ready?}
    B -->|No| E[IndexEmptyError]
    B -->|Yes| C{Search Type?}
    C -->|Similarity| D1[similarity_search_with_score]
    C -->|MMR| D2[max_marginal_relevance_search]
    D1 --> F[Apply Metadata Filter]
    D2 --> F
    F --> G[Apply Score Threshold]
    G --> H{Results > 0?}
    H -->|No| I[Return Empty + Warning]
    H -->|Yes| J[Format ContextResult]
    J --> K[Return RetrievalOutput]