CODEFEST AD ASTRA 2026 — Etapa 1

Base de conocimiento vectorial sobre el corpus de fuentes abiertas de ADL, con grafo de conocimiento y módulo de recuperación híbrida.

entrega/                            <- lo que se evalúa (Sección 1.4)
  generador.py                        recuperación + escritura de resultados
  consultas.txt                       las 50 consultas q001–q050
  resultados.jsonl                    50 líneas: 3 documentos y 10 fragmentos
  informe_tecnico.pdf                 decisiones de diseño
  base_vectorial/
    encoder_bge-m3/                   índice FAISS + metadata (9.886 fragmentos)
      index.faiss
      metadata.jsonl
    encoder_multilingual-e5-base/     índice FAISS + metadata (79.178 fragmentos)
      index.faiss
      metadata.jsonl
  grafo/                              componente bonus (Sección 7)
    grafo.graphml

modulos/                            <- construcción de la base (no se evalúa)
  base_vectorial/unificar_indices.py  fusión de particiones de un mismo encoder
  grafo/construirGrafo.py             NER + extracción de relaciones -> grafo
  grafo/consultaGrafo.py              consulta interactiva del grafo
  mapas/                              decodificación de los mapas .pbf a texto
  validar_resultados.py               verificación del esquema de la Sección 9

Los archivos pesados (*.faiss, *.jsonl, *.graphml) se versionan con Git LFS. Tras clonar hace falta git lfs install && git lfs pull.

Reproducir los resultados

pip install -r requirements.txt
python entrega/generador.py
python modulos/validar_resultados.py

generador.py lee entrega/consultas.txt, interroga los dos índices FAISS y el grafo, y reescribe entrega/resultados.jsonl. Tarda unos 3 minutos: 45 s en recorrer el grafo de 1 GB una sola vez para las 50 consultas y el resto en la recuperación. También acepta directamente el PDF de preguntas:

python entrega/generador.py --consultas Extracto_Preguntas_50_v2.pdf
python entrega/generador.py --sin-grafo          # solo la vía vectorial
python entrega/generador.py --dispositivo cpu    # sin GPU/MPS

La base de conocimiento

El corpus se repartió entre dos encoders complementarios (Sección 4.4), cada uno con su propio índice IndexFlatIP sobre vectores normalizados, que es exactamente similitud coseno (Sección 8.2) :

Encoder	Dim.	Fragmentos	Partición del corpus
BAAI/bge-m3	1024	9.886	xlsx del AI Index + 985 fragmentos de mapas .pbf
intfloat/multilingual-e5-base	768	79.178	pdf de observatorios + json de artículos web

El grafo de conocimiento tiene 226.821 entidades y 5.118.081 relaciones, cada una con los chunk_id que la sostienen, y cubre las tres particiones.

Cómo se combinan las tres fuentes en la recuperación está explicado en el encabezado de entrega/generador.py y, con más detalle, en entrega/informe_tecnico.pdf.

Restricción sobre modelos generativos

Ninguna etapa usa modelos decoder (Sección 8.3). Los dos modelos empleados son encoders (familia BERT/XLM-R) y el grafo se consulta por coincidencia exacta contra su vocabulario de entidades; el reordenamiento se hace solo con puntuaciones de similitud coseno y metadata.