rag-orchestration

name	rag-orchestration
description	Orquestador completo automatizado de setup RAG en 8 fases para nuevos proyectos
applyTo	**/*.agent.md

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

Estado: Producción Versión: 1.0 Última actualización: Mayo 13, 2026

---

Propósito

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

Este skill:

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

---

Casos de Uso

Cuándo usar 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/)
• Validación/PoC: Validación rápida de que RAG funciona antes de inversión en producción

Cuándo NO usar

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

---

Workflow de 8 Fases

Fase 1: Entrevista (5 min)

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

Fase 2: Recomendar (1 min)

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

Fase 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

Fase 4: Desplegar (10-15 min)

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

Fase 5: Indexar (5 min)

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

Fase 6: Configurar (1 min)

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

Fase 7: Probar (2 min)

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

Fase 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()

Ejecución Directa

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

python run-rag.py --agent onboarding