| 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