RAG-Syntec — EN CURSO

El convenio colectivo Syntec (IDCC 1486) de Légifrance: 172 documentos divididos en 8,447 chunks, versionados en un manifiesto con hash.

Solo

1. Ingesta y troceado: chunks de 500 caracteres con 100 caracteres de solapamiento.
2. Un índice Chroma con recuperación densa top-3, embeddings de un modelo local (Ollama) o de OpenAI.
3. Generación con un modelo local o con gpt-4o-mini tras la misma interfaz.
4. Un endpoint /query en FastAPI, Docker Compose y 30 tests de pytest.
5. Un conjunto etiquetado de 55 preguntas en cuatro clases, más 20 reservadas, y las métricas recall@k, precision@k y MRR.

Rechazar antes de generar

Si el chunk más cercano está más lejos que una distancia calibrada, la API rechaza la petición sin llamar al LLM.

Corpus versionado

Un manifiesto con hash vincula cada chunk a una versión del documento.

Modelos locales o alojados

El mismo pipeline funciona sobre Ollama o sobre OpenAI.

Solo calibración del umbral: las preguntas en tema se mantuvieron por debajo de una distancia de 0.701, las de fuera de tema por encima de 0.780; el umbral se sitúa en 0.74.

• Todavía no se ha ejecutado ninguna evaluación de la recuperación: el conjunto de preguntas y las métricas existen, el ejecutor no.
• Solo recuperación densa: la búsqueda híbrida y el reranking están planificados, no construidos.
• El umbral de rechazo se apoya en seis preguntas.