RAG 1: una colección que se puede auditar
Cómo reuní guías y estudios con Scrapling y guardé las versiones para poder revisar de dónde salió cada decisión.
En este artículo
Después de revisar el experimento ANEEL–TAESA, no quería cambiar el buscador basándome solo en una receta convincente. Necesitaba saber qué recomendaba cada fuente, qué había probado y qué podía reproducir. Empecé por el artículo de Contextual Retrieval, su notebook y el catálogo RAG de Claude. Esta serie describe esa revisión y un procedimiento propuesto; no presenta una nueva mejora medida en Taesa.
Primero delimité la colección
Utilicé el checkout local de Scrapling 0.4.15 con Fetcher para solicitudes HTTP normales. El catálogo tenía 19 guías etiquetadas como RAG & Retrieval. Su HTML también contenía enlaces de otras categorías: seguir todas las anclas habría producido una colección distinta de la solicitada. Seleccioné las filas por su etiqueta y guardé la lista de URLs antes de descargar los detalles.
La captura conservó HTML, texto y enlaces, además de notebooks vinculados y doce textos de investigación seleccionados. El registro contiene 62 respuestas HTTP 200; no son 62 documentos independientes, pues hay redirecciones y duplicados. La cobertura es de las páginas y notebooks identificados, no un espejo de todo el dominio, sus imágenes y sus datasets. El código de terceros fue descargado, no ejecutado.
Qué guardé para poder repetir
Cada respuesta tiene URL solicitada y final, fecha UTC, status, tamaño y SHA-256. El texto extraído tiene su propio hash. Guardé el commit de los notebooks y los hashes del código local del colector. El hash detecta cambios de bytes; no demuestra que el contenido sea verdadero, completo o jurídicamente vigente. Esas verificaciones requieren otros controles.
# PowerShell: new snapshot; scripts in the research workspace
$env:RAG_COLETA_DIR = "C:/Desenvolvindo/CientistaDeDados/rag_snapshot_novo"
python -X utf8 rag_pesquisa_2026/coletar.py
python -X utf8 rag_pesquisa_2026/coletar_complementos.py
python -X utf8 rag_pesquisa_2026/coletar_notebooks.py
python -X utf8 rag_pesquisa_2026/verificar_coleta.py
python -X utf8 rag_pesquisa_2026/testar_coleta.pyEn otra máquina hay que instalar las dependencias del checkout y ajustar su ruta. Los comandos anteriores se ejecutan desde el repositorio de investigación, no desde el servidor del blog. Una nueva carpeta evita sobreescribir la captura anterior. Después se revisan cobertura, títulos, cuerpo y código; HTTP 200 por sí solo también puede devolver una página vacía o un desafío de acceso.
Un catálogo de artículos no equivale a una revisión completa
El repositorio bibliográfico consultado declara 265 trabajos, pero su análisis aclara que solo dos recibieron lectura integral. En el commit capturado, 8f548e6, están README.md y Analise.md; faltan la carpeta portfolio y los PDF citados. Usé el catálogo para descubrir fuentes y fui a los textos primarios para las afirmaciones centrales. Registré estas ausencias en lugar de tratarlas como materiales revisados.
La síntesis en portugués es propia; las copias integrales permanecen en la investigación local. Tampoco confundí la fecha editorial de 2024 con la versión actual del código. El producto de esta fase es una colección verificable, un registro de límites y preguntas de ingeniería. Todavía no es evidencia de que una nueva arquitectura funcione mejor.
Fuentes de partida: repositorio bibliográfico
Descargar scripts, manifiesto y documentación de la revisión