books/README.md

Corpus de literatura veterinaria (RAG)

Aquí van los libros con licencia que fundamentan las interpretaciones de la IA. Este directorio se ignora en git (contenido con derechos de autor) — ver .gitignore.

Layout esperado

books/
├── Thrall_Veterinary_Hematology_ed3.pdf
├── Thrall_Veterinary_Hematology_ed3.meta.json      (opcional, ver abajo)
├── Weiss_Schalms_Veterinary_Hematology_ed7.pdf
└── ...

Convención de nombre

Autor_Titulo_edN.pdf — la edición (edN) se detecta automáticamente.

Metadatos opcionales (sidecar)

Para citas más precisas, añade un archivo hermano <nombre>.meta.json:

{
  "libro": "Thrall — Veterinary Hematology and Clinical Chemistry",
  "edicion": "3.ª ed. (2022)",
  "especie": ""
}

• especie: dejar "" si el libro cubre ambas; "canino" o "felino" si es específico (permite filtrar la recuperación por especie del paciente).

Construir el índice

Una vez colocados los PDFs:

make ingest        # equivale a: uv run --group rag python -m app.rag.ingest

Esto genera instance/rag_index/ (LanceDB) con los fragmentos + embeddings y un manifest.json con la versión del corpus (para reproducibilidad de las evals).

El índice se hornea de sólo lectura en la imagen Docker; no requiere almacenamiento persistente en HF Spaces. Reconstruir sólo cuando cambie el corpus.

Privacidad y copyright

• El texto de los libros nunca se sirve al cliente ni sale del contenedor: la API sólo pasa fragmentos cortos al modelo como contexto de fundamentación.
• El índice vive en instance/ (fuera del webroot), nunca bajo data/ (que sí se sirve).
• Los embeddings se generan con un modelo auto-alojado (BAAI/bge-m3 por defecto), de modo que el contenido no se envía a terceros durante la ingesta.