rag-orchestration

name	rag-orchestration
description	Complete automated RAG setup orchestrator in 8 phases for new projects
applyTo	**/*.agent.md

RAG Reference: Retrieval-augmented Generation (RAG) in Azure AI Search - Microsoft Learn

Status: Production Version: 1.0 Last Updated: Mayo 13, 2026

---

Purpose

Orquestador de automatización completa para setup RAG (Retrieval Augmented Generation). Lleva al usuario desde "Tengo documents" a "Puedo consultar mi RAG" en 8 phases con cero interacción manual en Azure portal.

Este skill:

• Automatización 8 Phases: Entrevista -> Recomendar -> Validar -> deploy -> index -> Configurar -> Probar -> Resumen
• Dirigido por configuration: Auto-selecciona tiers de infraestructura basado en tamaño de documents
• Consciente de Costes: Valida presupuesto antes del deployment, previene errores costosos
• Auto-Descubrimiento de Documents: Escanea carpeta knowledge/ e indexa todos los formatos (PDF, Word, Excel, Markdown, Código, PowerPoint)
• Generación de credentials: Auto-crea .env con templates de endpoints Azure
• Logging de Sesión: Guarda logs de orquestación en JSON para auditoría

---

Use Cases

When to Use este skill

• Nuevo Proyecto RAG: Empezando desde cero con archivos de documentación
• Setup Primera Vez: Escenario "Tengo docs, que funcione"
• Onboarding Automatizado: Necesita proceso de setup repetible y sin intervención
• Múltiples Proyectos: Puede ejecutarse para diferentes fuentes de conocimiento (siguiente proyecto solo cambia carpeta knowledge/)
• validation/PoC: validation rápida de que RAG funciona antes de inversión en producción

When NOT to Use

• Despliegues existentes que necesitan actualizaciones (usar skills de Phase individual)
• Escenarios multi-tenant complejos
• Configuraciones Azure altamente personalizadas

---

workflow de 8 Phases

Phase 1: Entrevista (5 min)

• Recolecta 5 preguntas: nombre proyecto, description, tamaño docs, presupuesto, región
• Output: Dict de configuration del usuario

Phase 2: Recomendar (1 min)

• Auto-selecciona config de tier Azure basado en tamaño de documents
• Output: Recomendaciones de infraestructura (tier OpenAI, tier Search, estimación de coste)

Phase 3: Validar (2 min)

• Llama al skill rag-cost-analyst para validar presupuesto vs coste real
• Verifica cuotas Azure en región objetivo
• Output: Decisión Go/No-go con warnings

Phase 4: deploy (10-15 min)

• Despliega via plantillas Bicep (o el coordinador puede inyectar lógica de deployment personalizada)
• Output: Endpoints de recursos (OpenAI, Search, AppInsights)

Phase 5: index (5 min)

• Escanea carpeta knowledge/ (pdfs, procedimientos, codigo, presentaciones)
• Cuenta documents y mock-chunks (300 tokens, 50 overlap)
• Output: Inventario de documents

Phase 6: Configurar (1 min)

• Genera archivo .env con templates de credentials
• Output: .env listo para que el usuario rellene credentials

Phase 7: Probar (2 min)

• Mock-tests de conexiones a Azure OpenAI, Search, AppInsights
• Output: Informe de validation de conexiones

Phase 8: Resumen (1 min)

• Muestra resumen de setup completo
• Guarda log de sesión en JSON para auditoría
• Output: Instrucciones de próximos pasos

---

Uso en Python

from pathlib import Path
import sys

sys.path.insert(0, str(Path(__file__).parent / ".github" / "skills" / "rag-orchestration"))

from orchestrator import RAGOrchestrator

orchestrator = RAGOrchestrator()
exit_code = orchestrator.run()

Execution Directa

python .github/skills/rag-orchestration/orchestrator.py

python run-rag.py --agent onboarding