TalentFlow — Pipeline RAG con Cohere API

Documentos indexados

Manual + Guías + Legal

1.024

Dimensiones embedding

embed-multilingual-v3.0

1.47s

Latencia total p95

embed + rerank + generate

+34%

Mejora precisión RAG

vs. vector search solo

Arquitectura del Pipeline RAG

📄

Ingesta

14 docs RRHH

→

🔢

Embeddings

embed-multilingual-v3

→

🔍

Búsqueda vectorial

pgvector cosine

→

↕️

Reranking

rerank-multilingual-v3

→

✨

Generación RAG

command-r-plus

Demo: Consulta de Manager

— Traza completa del pipeline en tiempo real

💬

"¿Cuántos días de vacaciones tiene derecho un empleado con 3 años de antigüedad y cómo se solicitan?"

t+0ms Embed query Vectorizando consulta con embed-multilingual-v3.0 (input_type="search_query") +48ms

t+48ms Vector search pgvector cosine → top 10 candidatos de 14 documentos +12ms

t+60ms Rerank rerank-multilingual-v3 → selecciona top 3 de 10 candidatos +118ms

t+178ms RAG Generate command-r-plus responde con citas a los 3 documentos recuperados +1.29s

✨ Respuesta RAG generada command-r-plus

Según el doc3 del Manual del Empleado de TalentFlow, los empleados con entre 1 y 4 años de antigüedad tienen derecho a 23 días laborables de vacaciones anuales. Este periodo se incrementa a 25 días a partir del quinto año de empresa.

Para solicitar las vacaciones, el proceso establecido en doc7 es el siguiente: (1) El empleado debe crear una solicitud en el módulo de RRHH de TalentFlow con al menos 15 días de antelación para periodos de hasta 10 días, y 30 días para periodos más largos. (2) El manager directo tiene 5 días hábiles para aprobar o denegar la solicitud. (3) En caso de denegación, se debe proporcionar justificación por escrito. Las vacaciones no disfrutadas en el año natural no son acumulables, salvo baja médica superior a 7 días, conforme al artículo 38 del ET indicado en doc11.

doc3 Manual del Empleado TalentFlow — Capítulo 4: Condiciones laborales y retribución 0.94

doc7 Guía de Procesos RRHH — Gestión de ausencias y solicitudes de permisos 0.91

doc11 Resumen Legal — Estatuto de los Trabajadores (ET) arts. 34–40: Tiempo de trabajo 0.87

Visualización de Embeddings (1024-dim)

doc3 — Manual Empleado (vacaciones):

doc7 — Guía RRHH (solicitudes):

query — vacaciones antigüedad 3 años:

Similitud coseno con la query

Manual Empleado — Vacaciones (doc3)

0.941

Guía Procesos — Solicitudes (doc7)

0.893

Resumen Legal — ET arts. 34-40 (doc11)

0.831

Política de Teletrabajo (doc5)

0.612

Guía Onboarding Tech (doc2)

0.441

Reranking — Antes vs. Después

Rank	Documento	Antes	Relevancia
1	Manual Empleado — Vacaciones doc3 · Cap. 4	#1 —	0.97
2	Resumen Legal — ET Tiempo doc11 · Arts. 34-40	#4 ▲2	0.89
3	Guía RRHH — Solicitudes doc7 · Procesos	#2 ▼1	0.85
#4	Política Teletrabajo doc5	#3	0.42
#5	Guía Onboarding Tech doc2	#5	0.18

El reranker promovió doc11 (legal) de #4 → #2, capturando el contexto normativo que el vector search había infravalorado.

Implementación Python

— Pipeline RAG completo para TalentFlow RRHH

Indexación del corpus de documentos

        talentflow/indexer.py
import cohere
import numpy as np
from pgvector.psycopg2 import register_vector

co = cohere.ClientV2("COHERE_API_KEY")

# Corpus RRHH de TalentFlow (14 docs en ES)
DOCS = [
  {"id": "doc3", "title": "Manual Empleado — Vacaciones",
   "text": "Empleados de 1-4 años: 23 días laborables..."},
  {"id": "doc7", "title": "Guía RRHH — Solicitudes",
   "text": "Solicitar con 15 días de antelación mínimo..."},
  # ... 12 docs más
]

def index_corpus():
  """Embede corpus y guarda en pgvector."""
  texts = [d["text"] for d in DOCS]

  resp = co.embed(
    texts=texts,
    model="embed-multilingual-v3.0",
    input_type="search_document",  # ← crítico
    embedding_types=["float"],
  )

  vectors = resp.embeddings.float_
  # → shape: (14, 1024)

  # Insertar en pgvector
  for doc, vec in zip(DOCS, vectors):
    cur.execute(
      "INSERT INTO hr_docs VALUES (%s,%s,%s,%s)",
      (doc["id"], doc["title"],
       doc["text"], vec)
    )
      

Búsqueda + Rerank + Respuesta con citas

        talentflow/rag.py
def answer_hr_query(query: str) -> dict:
  # 1. Embed la query
  q_resp = co.embed(
    texts=[query],
    model="embed-multilingual-v3.0",
    input_type="search_query",  # ← diferente
    embedding_types=["float"],
  )
  q_vec = q_resp.embeddings.float_[0]

  # 2. Cosine search en pgvector (top 10)
  candidates = cur.execute(
    """SELECT id, title, text
       FROM hr_docs
       ORDER BY embedding <=> %s LIMIT 10""",
    (q_vec,)
  ).fetchall()

  # 3. Rerank → selecciona top 3
  reranked = co.rerank(
    model="rerank-multilingual-v3",
    query=query,
    documents=[c["text"] for c in candidates],
    top_n=3,
  )
  top_docs = [
    {"id": candidates[r.index]["id"],
     "data": {"snippet": candidates[r.index]["text"]}}
    for r in reranked.results
  ]

  # 4. Generar respuesta con Command R+
  resp = co.chat(
    model="command-r-plus",
    messages=[{"role": "user", "content": query}],
    documents=top_docs,
  )
  return {
    "answer": resp.message.content[0].text,
    "citations": resp.message.citations,
  }
      

Modelos Cohere disponibles

— Selección para TalentFlow según caso de uso

Modelo	Tipo	Dimensiones / Contexto	Casos de uso	Selección TalentFlow
command-r-plus	Generación	128K tokens ctx	RAG complejoAgentesTool use	✓ Principal — respuestas con citas
command-r	Generación	128K tokens ctx	RAG eficienteCosto	Fallback — en alta carga
embed-multilingual-v3.0	Embedding	1024 dims · 100+ idiomas	Búsqueda semánticaMultilingüe	✓ Indexación — docs ES+EN
rerank-multilingual-v3	Reranking	+100ms · top-N selección	Mejora relevanciaPost-retrieval	✓ Reranking — +34% precisión
embed-english-v3.0	Embedding	1024 dims · solo EN	Search ENClasificación	No seleccionado — corpus mixto

Buenas prácticas aplicadas en TalentFlow

— Según guidelines de la Cohere API

input_type correcto

Siempre search_document al indexar y search_query al buscar. Esta diferencia mejora el retrieval quality hasta un 15% frente a usar el mismo tipo para ambos.

Rerank siempre en producción

El reranking añade ~100ms de latencia pero mejora la precisión RAG entre un 20-40%. En TalentFlow: +34% en queries de RRHH. Recuperar top-10 y rerank a top-3 es el patrón óptimo.

Command R+ con documents

Pasar el contexto por el parámetro documents (no en el prompt) activa el modo RAG nativo de Command R+, que produce citas verificables a fuentes exactas.

Multilingüe desde el inicio

embed-multilingual-v3.0 y rerank-multilingual-v3 soportan 100+ idiomas con un único modelo. TalentFlow indexa docs en ES y sirve queries en EN sin ajuste adicional.

Batch embedding para corpora

Para re-indexar el corpus completo (carga inicial o actualizaciones), usar el endpoint de batch embedding de Cohere que procesa miles de documentos en paralelo. Re-indexación de 14 docs en <200ms.

On-premise disponible

Cohere ofrece despliegue on-premise y private cloud para empresas con requisitos de aislamiento de datos. Relevante para TalentFlow si escala a clientes del sector financiero o sanitario (RGPD estricto).

TalentFlow — Asistente RAG de RRHH

Demo: Consulta de Manager

Implementación Python

Modelos Cohere disponibles

Buenas prácticas aplicadas en TalentFlow