Contextual Retrieval: enriquece cada chunk antes de embedear

# Contextual Retrieval (Anthropic, 2024): recorta hasta 49% el fallo # de recuperacion en RAG. Ejecuta 1 vez por chunk en el indexado, # guarda el contexto delante del chunk antes de embedear y de meter # en el BM25 hibrido. Coste aprox: 1M tokens Haiku por 100 docs de # 100 chunks = ~1 dolar. Usa prompt caching sobre {doc} para bajar # 90% el coste si reindexas el mismo corpus varias veces. CONTEXT_PROMPT = """<document> {doc} </document> Here is the chunk we want to situate within the whole document: <chunk> {chunk} </chunk> Give a short succinct context to situate this chunk within the overall document for the purposes of improving search retrieval of the chunk. Answer only with the context.""" def enrich(client, doc, chunk): ctx = client.messages.create( model="claude-haiku-4-5", max_tokens=100, messages=[{"role": "user", "content": CONTEXT_PROMPT.format(doc=doc, chunk=chunk)}], ).content[0].text.strip() return f"{ctx}\n\n{chunk}" # indexa esto en vector store + BM25