Construye un Bot de Discord de Preguntas y Respuestas Respaldado por RAG

Este proyecto toma el pipeline de generación aumentada por recuperación de Construye una App RAG, embeddings locales, búsqueda de similitud de coseno con NumPy, un LLM de nivel gratuito para la respuesta final, y le pone un front end diferente: en lugar de un script que ejecutas desde una terminal una pregunta a la vez, el mismo pipeline responde preguntas en vivo, dentro de un servidor de Discord, cada vez que alguien menciona al bot. Nada sobre cómo recupera o genera cambia; solo la interfaz lo hace.

Esto asume Python 101. Haber construido primero Construye una App RAG se recomienda encarecidamente, este proyecto reutiliza directamente su código de embedding/recuperación y avanza rápido por las partes que ya explicó en profundidad.

Esto es opcional y no calificado. Consulta Proyectos del mundo real para la lista completa y creciente.

🎯 Lo que harás

1. Crear una aplicación de bot de Discord y obtener su token del portal de desarrolladores gratuito de Discord.
2. Instalar uv, configurar un proyecto, y añadir discord.py junto con las mismas librerías de embedding/recuperación del proyecto de App RAG.
3. Reutilizar y adaptar el pipeline de recuperación de la App RAG sobre una carpeta de documentación en lugar de notas personales.
4. Conectar un manejador de mensajes de discord.py para que el bot recupere documentos relevantes y genere una respuesta cada vez que se lo mencione.
5. Invitar al bot a un servidor de prueba y hacerle preguntas reales, de principio a fin.

Dónde ejecutar esto

Localmente con uv es realmente la única opción práctica aquí, más que para la mayoría de otros proyectos de esta serie. Un bot de Discord no es un script que se ejecuta una vez y termina, mantiene una conexión abierta a Discord y necesita seguir corriendo mientras quieras que el bot responda, lo que significa un proceso local (u hospedado) real y de larga duración, no un comando de una sola vez.

GitHub Codespaces también funciona, y es un sustituto razonable si prefieres no instalar nada localmente: abre todo el repositorio del curso en un Codespace gratuito (Node, Python y uv ya están instalados, según el .devcontainer/devcontainer.json del repositorio) y ejecuta uv run python bot.py en una terminal ahí, se mantiene corriendo mientras esa terminal (y el Codespace) permanezca abierto, el mismo requisito de “proceso de larga duración” que ejecutarlo localmente.

Google Colab, Kaggle Notebooks, y Binder son un mal ajuste para el bot real, sé honesto contigo mismo sobre eso en lugar de luchar contra ello. Los notebooks están construidos alrededor de ejecutar una celda, obtener salida, y pasar a la siguiente celda; no están diseñados para un proceso en segundo plano que se sienta y espera eventos indefinidamente. Puedes iniciar el bucle de eventos de un bot en una celda de notebook, pero en el momento en que el runtime del notebook se recicla, se desconecta, o cierras la pestaña, el bot se cae con él, omite Colab/Kaggle/Binder para el bot en vivo y usa un proceso local real o Codespaces en su lugar.

Dicho esto, el pipeline RAG debajo del bot, fragmentación, embedding, recuperación, y generación, es solo código regular que se ejecuta una celda a la vez, que es exactamente en lo que los notebooks son buenos. Las insignias de abajo abren un notebook que recorre ese pipeline central contra la documentación de muestra del proyecto e imprime respuestas reales recuperadas y generadas, así puedes verlo funcionar sin instalar nada localmente. Deliberadamente se detiene antes de la capa de Discord, para eso, vuelve aquí y ejecuta bot.py localmente o en Codespaces como se describe arriba.

Configuración

Todo en esta sección solo necesita pasar una vez, antes de que escribas una línea del bot en sí: instalar uv, crear la aplicación de bot de Discord y obtener su token, conseguir una clave de LLM gratuita, y configurar el proyecto. Cada paso después de este asume que todo ya está hecho.

Instala uv

uv es una sola herramienta que reemplaza la cadena habitual de “instala Python, luego instala pip, luego instala una herramienta de entorno virtual, luego instala paquetes”, puede instalar y gestionar versiones de Python por sí misma, junto con las dependencias de tu proyecto.

macOS / Linux (terminal):

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows (PowerShell):

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Cierra y vuelve a abrir tu terminal, luego confirma que se instaló:

uv --version

Crea una aplicación de bot de Discord y obtén un token

El Portal de Desarrolladores de Discord es gratuito y no necesita tarjeta:

1. Inicia sesión y haz clic en New Application, dale un nombre (ej. “docs-qa-bot”), y créala.
2. Abre la pestaña Bot a la izquierda. Discord añade un usuario bot a tu aplicación automáticamente.
3. Haz clic en Reset Token (o View Token si es la primera vez) y cópialo. Este token es exactamente como una contraseña, cualquiera que lo tenga puede controlar tu bot, así que trátalo de la misma forma que ya tratas una clave de API de LLM: nunca lo pegues en código, nunca lo subas.
4. En la misma pestaña Bot, desplázate hasta Privileged Gateway Intents y activa Message Content. Esto es requerido para que el bot realmente vea el texto de los mensajes en los que se le menciona, sin esto, discord.py recibe una cadena vacía para el contenido de cada mensaje sin importar qué código escribas.

Obtén una clave de API de LLM gratuita

La mitad de generación de este pipeline necesita el mismo tipo de clave de LLM de nivel gratuito que el proyecto de App RAG, elige el proveedor que prefieras, ninguno requiere tarjeta de crédito al momento de escribir esto:

Proveedor	Dónde obtener una clave	Por qué podrías elegirlo
GitHub Models (sugerido por defecto)	github.com/settings/tokens, un token de acceso personal con el scope models: read	Sin registro aparte, ya tienes una cuenta de GitHub. Límites de nivel gratuito más generosos que Gemini.
Gemini	Google AI Studio	La opción más comúnmente referenciada.
Groq	console.groq.com/keys	Inferencia rápida, nivel gratuito generoso, sin tarjeta.
Mistral	console.mistral.ai/api-keys	Una de las cuotas gratuitas permanentes más generosas.
Cerebras	cloud.cerebras.ai	Alto volumen diario de tokens, sin tarjeta.
OpenRouter	openrouter.ai/keys	Una API, muchos modelos gratuitos, bueno para comparar proveedores.

Si ya tienes una clave de haber hecho el proyecto de App RAG, la misma funciona aquí, no necesitas generar una segunda.

Configura el proyecto

uv init docs-qa-bot
cd docs-qa-bot
uv add discord.py sentence-transformers numpy python-dotenv openai

discord.py es la librería que realmente habla con Discord, conectándose a su Gateway, recibiendo eventos de mensajes, y enviando respuestas. sentence-transformers y numpy son las mismas librerías de recuperación del proyecto de App RAG, haciendo el mismo trabajo aquí: embeddings locales y búsqueda de similitud de coseno, solo sobre documentación en lugar de notas. openai habla con el endpoint compatible con OpenAI de GitHub Models para el proveedor por defecto de arriba; cámbialo por el paquete propio de tu proveedor si elegiste uno diferente, exactamente como describe el proyecto de App RAG.

Crea un archivo .env en la carpeta del proyecto (nunca lo subas) con ambos secretos de esta sección:

# .env
DISCORD_BOT_TOKEN=tu-token-de-bot-aquí
GITHUB_TOKEN=tu-clave-de-llm-aquí

python-dotenv lee este archivo hacia os.environ automáticamente, el mismo patrón que cualquier otro proyecto de esta serie.

✅ Lista de verificación

• ✅ Una aplicación y bot de Discord existen en el Portal de Desarrolladores, y has copiado su token.
• ✅ “Message Content” está activado bajo Privileged Gateway Intents.
• ✅ Tienes una clave de API de LLM de nivel gratuito de un proveedor de tu elección.
• ✅ uv init/uv add se completó sin errores, y .env tiene tanto DISCORD_BOT_TOKEN como tu clave de LLM configurados.

🤔 Pregunta(s) socrática(s)

• ¿Por qué requiere Discord que actives explícitamente “Message Content” como un intent privilegiado, en lugar de dar a todos los bots acceso al texto de los mensajes por defecto?
• El token del bot y la clave de API del LLM son ambos secretos, pero autentican con dos servicios completamente diferentes. ¿Qué saldría mal si accidentalmente intercambiaras qué variable de entorno contenía qué valor?

Paso 1: Prepara y haz embedding de una carpeta de documentación

1.1 Este paso son los Pasos 2 y 3 del proyecto de App RAG, sin cambios en su sustancia, solo apu…

👟 Pista inicial :

Este paso son los Pasos 2 y 3 del proyecto de App RAG, sin cambios en su sustancia, solo apuntados a una carpeta docs/ de documentación en lugar de notas personales:

# prepare_docs.py
"""Splits every .md/.txt file in docs/ into a list of text chunks.

Run with: uv run python prepare_docs.py
Same chunking approach as prepare_notes.py in the RAG App project.
"""

from pathlib import Path

DOCS_DIR = Path("docs")
TARGET_CHUNK_SIZE = 500  # characters

def split_into_paragraphs(text: str) -> list[str]:
    paragraphs = [p.strip() for p in text.split("\n\n")]
    return [p for p in paragraphs if p]

def merge_short_paragraphs(paragraphs: list[str], target_size: int) -> list[str]:
    chunks = []
    current = ""
    for paragraph in paragraphs:
        if current and len(current) + len(paragraph) > target_size:
            chunks.append(current)
            current = paragraph
        else:
            current = f"{current}\n\n{paragraph}" if current else paragraph
    if current:
        chunks.append(current)
    return chunks

def load_chunks() -> list[dict]:
    chunks = []
    for path in sorted(DOCS_DIR.glob("*.md")) + sorted(DOCS_DIR.glob("*.txt")):
        text = path.read_text(encoding="utf-8")
        paragraphs = split_into_paragraphs(text)
        for chunk_text in merge_short_paragraphs(paragraphs, TARGET_CHUNK_SIZE):
            chunks.append({"text": chunk_text, "source": path.name})
    return chunks

if __name__ == "__main__":
    chunks = load_chunks()
    print(f"Loaded {len(chunks)} chunks from {DOCS_DIR}/")

🎯 Resultado esperado :

Deberías ver la salida esperada sin errores.

🩹 Si sale mal :

Consulta la sección ⚠️ Errores comunes abajo para los problemas habituales.

1.2 Pon cualquier documentación de la que quieras que el bot responda en una carpeta docs/ com…

👟 Pista inicial :

Pon cualquier documentación de la que quieras que el bot responda en una carpeta docs/ como archivos .md/.txt, el README y páginas de wiki de un proyecto, el manual interno de un equipo, los propios archivos de lección de este curso, cualquier cosa real. Luego haz embedding de ella, reutilizando el build_index.py del proyecto de App RAG textualmente (solo el import cambia, de prepare_notes a prepare_docs):

# build_index.py
"""Embeds every chunk from prepare_docs.py and saves the vectors + text
locally. Run with: uv run python build_index.py
Re-run any time docs/ changes -- nothing rebuilds this automatically.
"""

import json

import numpy as np
from sentence_transformers import SentenceTransformer

from prepare_docs import load_chunks

MODEL_NAME = "all-MiniLM-L6-v2"
INDEX_PATH = "index.npy"
CHUNKS_PATH = "chunks.json"

def main() -> None:
    chunks = load_chunks()
    if not chunks:
        print("No chunks found -- add some .md/.txt files to docs/ first.")
        return

    print(f"Embedding {len(chunks)} chunks with {MODEL_NAME}...")
    model = SentenceTransformer(MODEL_NAME)
    texts = [chunk["text"] for chunk in chunks]
    embeddings = model.encode(texts, normalize_embeddings=True)

    np.save(INDEX_PATH, embeddings)
    with open(CHUNKS_PATH, "w", encoding="utf-8") as f:
        json.dump(chunks, f, ensure_ascii=False, indent=2)

    print(f"Saved {embeddings.shape[0]} vectors ({embeddings.shape[1]}-dim) to {INDEX_PATH}")

if __name__ == "__main__":
    main()

🎯 Resultado esperado :

Deberías ver la salida esperada sin errores.

🩹 Si sale mal :

Consulta la sección ⚠️ Errores comunes abajo para los problemas habituales.

1.3 uv run python prepare_docs.py

👟 Pista inicial :

Ejecuta el código de abajo y confirma que funciona.

uv run python prepare_docs.py
uv run python build_index.py

🎯 Resultado esperado :

Deberías ver la salida esperada sin errores.

🩹 Si sale mal :

Consulta la sección ⚠️ Errores comunes abajo para los problemas habituales.

1.4 Verifica

✅ Lista de verificación

• ✅ Una carpeta docs/ existe con al menos un par de archivos .md/.txt reales en ella.
• ✅ uv run python build_index.py se ejecuta sin errores y reporta un conteo de fragmentos distinto de cero.
• ✅ index.npy y chunks.json ahora existen en la carpeta de tu proyecto.

🤔 Pregunta(s) socrática(s)

• Este es exactamente el mismo código de fragmentación y embedding que el proyecto de App RAG, con solo un nombre de carpeta cambiado. ¿Qué te dice eso sobre cuán reutilizable es la mitad de recuperación de un pipeline RAG a través de casos de uso completamente diferentes?
• Si tu carpeta de documentación tiene un archivo con formato muy inconsistente (sin líneas en blanco, un bloque gigante de texto), ¿qué esperarías que pase con la calidad de los fragmentos que produce?

Paso 2: Recupera fragmentos relevantes

2.1 La recuperación también permanece sin cambios respecto al proyecto de App RAG, haz embeddin…

👟 Pista inicial :

La recuperación también permanece sin cambios respecto al proyecto de App RAG, haz embedding de la pregunta con el mismo modelo, luego clasifica cada fragmento por similitud de coseno, lo cual se reduce a un producto punto simple ya que cada vector ya fue normalizado a longitud 1 en el momento del embedding:

# retrieve.py
"""Given a question, finds the docs chunks most relevant to it.
Identical retrieval logic to the RAG App project's retrieve.py.
"""

import json

import numpy as np
from sentence_transformers import SentenceTransformer

MODEL_NAME = "all-MiniLM-L6-v2"
INDEX_PATH = "index.npy"
CHUNKS_PATH = "chunks.json"

_model = None

def get_model() -> SentenceTransformer:
    global _model
    if _model is None:
        _model = SentenceTransformer(MODEL_NAME)
    return _model

def retrieve(question: str, top_k: int = 3) -> list[dict]:
    embeddings = np.load(INDEX_PATH)
    with open(CHUNKS_PATH, encoding="utf-8") as f:
        chunks = json.load(f)

    question_vector = get_model().encode([question], normalize_embeddings=True)[0]
    similarities = embeddings @ question_vector

    top_indices = np.argsort(similarities)[::-1][:top_k]
    return [
        {**chunks[i], "score": float(similarities[i])}
        for i in top_indices
    ]

if __name__ == "__main__":
    results = retrieve("How do I enable the message content intent?")
    for r in results:
        print(f"{r['score']:.3f}  [{r['source']}]  {r['text'][:80]}...")

🎯 Resultado esperado :

Deberías ver la salida esperada sin errores.

🩹 Si sale mal :

Consulta la sección ⚠️ Errores comunes abajo para los problemas habituales.

2.2 uv run python retrieve.py

👟 Pista inicial :

Ejecuta el código de abajo y confirma que funciona.

uv run python retrieve.py

Si esto se siente demasiado rápido, es deliberado, el proyecto de App RAG cubre exactamente por qué la similitud de coseno funciona así, qué te da la normalización, y cómo las matemáticas se conectan a una multiplicación matriz-vector, con mucha más profundidad de la que repetirlo aquí añadiría. :::tip[Prueba la recuperación antes de tocar Discord en absoluto] Haz que retrieve.py devuelva fragmentos genuinamente relevantes para algunas preguntas de prueba antes de escribir cualquier código de bot. Si la recuperación está mal, un bot envuelto alrededor de ella simplemente entregará respuestas incorrectas con confianza en un canal de Discord, mucho más difícil de depurar en vivo que un script de terminal silencioso. :::

🎯 Resultado esperado :

Deberías ver la salida esperada sin errores.

🩹 Si sale mal :

Consulta la sección ⚠️ Errores comunes abajo para los problemas habituales.

2.3 Verifica

✅ Lista de verificación

• ✅ uv run python retrieve.py imprime resultados clasificados con puntuaciones de similitud reales.
• ✅ El resultado principal para una pregunta de prueba fácil realmente se ve relevante cuando lo lees.
• ✅ Has intentado al menos una pregunta que tu carpeta de documentación claramente no cubre, y confirmado que la puntuación principal es notablemente más baja.

🤔 Pregunta(s) socrática(s)

• Un bot de Discord podría recibir la misma o preguntas muy similares repetidamente de diferentes usuarios en un servidor ocupado. retrieve() actualmente vuelve a hacer embedding de la pregunta y recarga index.npy/chunks.json desde disco en cada llamada. ¿Qué cachearías para hacer las preguntas repetidas más baratas, y cuál es el riesgo de cachear demasiado agresivamente?
• Si dos archivos de documentación dicen cosas ligeramente contradictorias (uno desactualizado y uno actualizado), ¿qué esperarías que hiciera retrieve(), y cómo notarías el problema solo a partir de las respuestas del bot?

Paso 3: Conecta el manejador de mensajes del bot

3.1 Esta es la parte realmente nueva de este proyecto: un manejador de eventos de discord.py q…

👟 Pista inicial :

Esta es la parte realmente nueva de este proyecto: un manejador de eventos de discord.py que llama a retrieve(), construye el mismo prompt de “responde usando solo este contexto” del proyecto de App RAG, y responde con la respuesta del modelo. El patrón central de discord.py es un bucle de eventos: creas un Client con un conjunto de intents (qué categorías de eventos tiene permitido recibir), luego registras funciones async def decoradas con @client.event para los eventos que te importan, más comúnmente on_ready (se dispara una vez, cuando se establece la conexión) y on_message (se dispara para cada mensaje que el bot puede ver):

# bot.py
import os

import discord
from dotenv import load_dotenv
from openai import OpenAI

from retrieve import retrieve

load_dotenv()

PROMPT_TEMPLATE = """Answer the question using ONLY the context below. If the
context doesn't contain the answer, say so -- do not make something up.
Keep the answer concise; this will be posted in a Discord message.

Context:
{context}

Question: {question}

Answer:"""

MAX_DISCORD_MESSAGE_LENGTH = 2000  # Discord's hard cap on a single message

intents = discord.Intents.default()
intents.message_content = True  # requires the portal toggle from Setup, too

client = discord.Client(intents=intents)
llm_client = OpenAI(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
)

def build_prompt(question: str, chunks: list[dict]) -> str:
    context = "\n\n".join(f"[{c['source']}] {c['text']}" for c in chunks)
    return PROMPT_TEMPLATE.format(context=context, question=question)

def answer(question: str, top_k: int = 3) -> str:
    chunks = retrieve(question, top_k=top_k)
    prompt = build_prompt(question, chunks)
    response = llm_client.chat.completions.create(
        model="gpt-4o-mini",  # confirm this still has a free tier before running
        messages=[{"role": "user", "content": prompt}],
    )
    return response.choices[0].message.content

@client.event
async def on_ready():
    print(f"Logged in as {client.user} -- ready in {len(client.guilds)} server(s).")

@client.event
async def on_message(message: discord.Message):
    if message.author == client.user:
        return  # never reply to yourself -- avoids an infinite reply loop

    if client.user not in message.mentions:
        return  # only answer when actually mentioned

    question = message.content.replace(f"<@{client.user.id}>", "").strip()
    if not question:
        await message.reply("Mention me with a question, e.g. `@docs-qa-bot how do I install uv?`")
        return

    async with message.channel.typing():
        try:
            reply = answer(question)
        except Exception as error:
            print(f"Error answering question: {error!r}")
            reply = "Something went wrong answering that -- see the bot's console log for details."

    if len(reply) > MAX_DISCORD_MESSAGE_LENGTH:
        reply = reply[: MAX_DISCORD_MESSAGE_LENGTH - 1] + "…"
    await message.reply(reply)

if __name__ == "__main__":
    client.run(os.environ["DISCORD_BOT_TOKEN"])

answer() es línea por línea la misma idea que ask() del proyecto de App RAG, recuperar, construir un prompt, llamar al LLM, solo que devuelve una cadena en lugar de imprimirla, para que on_message pueda entregar esa cadena a message.reply(...). Todo por encima de on_ready/on_message corre una vez al inicio; todo dentro de esas dos funciones corre una vez por evento, mientras client.run(...) mantenga la conexión viva. La protección if message.author == client.user: return importa más de lo que podría parecer: sin ella, si la propia respuesta del bot resultara mencionarse a sí mismo (no lo hará aquí, pero es un error fácil en general), dispararía on_message de nuevo sobre su propia salida, un bucle infinito de un bot respondiéndose a sí mismo. :::tip[async def y await no son opcionales aquí] discord.py está construido enteramente sobre asyncio de Python, cada manejador de eventos debe declararse async def, y cualquier llamada que espere en la red (enviar un mensaje, obtener datos) debe tener await. Olvidar cualquiera de los dos es uno de los primeros errores más comunes: omitir async en on_message lanza un error inmediatamente, y olvidar await en message.reply(...) no hace absolutamente nada silenciosamente, ya que solo crea una corrutina sin await en lugar de realmente ejecutarla. :::

🎯 Resultado esperado :

Deberías ver la salida esperada sin errores.

🩹 Si sale mal :

Consulta la sección ⚠️ Errores comunes abajo para los problemas habituales.

3.2 Verifica

✅ Lista de verificación

• ✅ bot.py define on_ready y on_message, ambos como async def, ambos decorados con @client.event.
• ✅ on_message verifica message.author == client.user antes de hacer cualquier otra cosa.
• ✅ answer() llama al mismo retrieve() del Paso 2, sin cambios.

🤔 Pregunta(s) socrática(s)

• ¿Por qué verificar client.user not in message.mentions en lugar de simplemente verificar si el nombre del bot aparece en algún lugar de message.content como una subcadena?
• El try/except alrededor de answer(reply) captura cualquier excepción y responde con un mensaje de error genérico en lugar de fallar. ¿Cuál es la compensación de capturar tan ampliamente en un bot de larga duración versus dejar que un bug real falle el proceso ruidosamente?

Paso 4: Invita al bot y pruébalo de principio a fin

4.1 De vuelta en el Portal de Desarrolladores de Discord, abre OAuth2 → URL Generator. Bajo …

👟 Pista inicial :

De vuelta en el Portal de Desarrolladores de Discord, abre OAuth2 → URL Generator. Bajo Scopes, marca bot; bajo Bot Permissions, marca al menos Send Messages y Read Message History. Copia la URL generada, ábrela en un navegador, y elige un servidor que controles (crea un servidor de prueba gratuito si aún no tienes uno) para añadir el bot. Ejecútalo:

uv run python bot.py

🎯 Resultado esperado :

Deberías ver la salida esperada sin errores.

🩹 Si sale mal :

Consulta la sección ⚠️ Errores comunes abajo para los problemas habituales.

4.2 Deberías ver Logged in as docs-qa-bot#1234 -- ready in 1 server(s). impreso, el silencio …

👟 Pista inicial :

Deberías ver Logged in as docs-qa-bot#1234 -- ready in 1 server(s). impreso, el silencio después de eso es normal; el proceso simplemente está sentado y esperando eventos del Gateway de Discord, la misma idea de “sin salida significa que está funcionando” que un servidor MCP esperando en stdio. En el servidor de prueba, menciona al bot con una pregunta real sobre lo que sea que esté en tu carpeta docs/:

@docs-qa-bot how do I enable the message content intent?

En pocos segundos deberías ver un indicador de “escribiendo”, luego una respuesta fundamentada en tu documentación real, no una suposición de los datos generales de entrenamiento del modelo.

🎯 Resultado esperado :

Deberías ver la salida esperada sin errores.

🩹 Si sale mal :

Consulta la sección ⚠️ Errores comunes abajo para los problemas habituales.

4.3 Verifica

✅ Lista de verificación

• ✅ El bot aparece en línea en la lista de miembros de tu servidor de prueba después de ejecutar uv run python bot.py.
• ✅ Mencionarlo con una pregunta real produce un indicador de “escribiendo”, luego una respuesta.
• ✅ El contenido de la respuesta realmente refleja tu carpeta docs/, y una pregunta que tus documentos no cubren obtiene un honesto “no sé” en lugar de una suposición confiada.

🤔 Pregunta(s) socrática(s)

• Si detienes bot.py (Ctrl+C) y mencionas al bot de nuevo, ¿qué pasa del lado de Discord? ¿Qué te dice eso sobre dónde vive realmente la “presencia” del bot?
• Probaste la recuperación y la llamada al LLM por separado en los Pasos 1–2 antes de conectarlas a Discord en el Paso 3. Si el bot ahora da una respuesta equivocada, ¿cómo usarías retrieve.py por sí solo para averiguar si el bug está en la recuperación o en la conexión de Discord alrededor de ella?

⚠️ Errores comunes

• Olvidar el intent privilegiado de “Message Content”. Esto tiene que habilitarse en dos lugares, intents.message_content = True en el código, y el interruptor bajo Bot → Privileged Gateway Intents en el Portal de Desarrolladores. Pierde el interruptor del portal y message.content es silenciosamente una cadena vacía para cada mensaje, sin ningún error que te diga por qué.
• Límites de tasa en el nivel gratuito del LLM, empeorados por el tráfico real del bot. Un script CLI como el ask.py del proyecto de App RAG solo llama al LLM cuando lo ejecutas; un bot en vivo puede recibir varias preguntas en rápida sucesión de diferentes personas en un servidor ocupado, y cada una es una llamada separada contra la cuota de nivel gratuito de tu proveedor. Un error 429 bajo carga no es un bug, mira los pitfalls del proyecto de App RAG para el mismo patrón de límite de tasa y cómo añadir un reintento.
• No reconstruir el índice después de cambiar docs/. Exactamente como el proyecto de App RAG: build_index.py solo corre cuando lo ejecutas. Añade o edita un documento y el bot sigue respondiendo desde el índice antiguo hasta que vuelvas a ejecutar uv run python build_index.py y reinicies el bot.
• Ejecutar el bot con un token obsoleto o incorrecto después de regenerarlo. Hacer clic en “Reset Token” en el Portal de Desarrolladores invalida el token antiguo inmediatamente, si .env todavía tiene el valor antiguo, client.run(...) falla al iniciar sesión. Actualiza .env cada vez que reinicies el token, y nunca asumas que el valor que copiaste una vez sigue siendo válido.

Lo que acabas de construir

Un bot de Discord en vivo que responde preguntas reales de documentación real, fundamentado en texto recuperado en lugar del conocimiento general del modelo, el mismo pipeline RAG exacto que el proyecto de App RAG, con un bucle de eventos de discord.py sustituyendo a un script CLI como interfaz. El código de recuperación y generación no cambió de ninguna forma significativa; solo cambió cómo entra una pregunta y sale una respuesta. Eso es algo útil de notar en general: la lógica central de un pipeline RAG es independiente de la interfaz, y el mismo par retrieve()/answer() aquí podría igual de fácilmente estar detrás de un bot de Slack, un formulario web, o un endpoint de API en su lugar.

A dónde ir desde aquí

• Añade un comando slash (/ask <pregunta>) usando app_commands de discord.py junto con, o en lugar de, respuestas basadas en mención, los comandos slash aparecen en la UI de Discord con autocompletado y no requieren escribir una @mención, al costo de una pequeña cantidad de código de registro extra.
• Rastrea qué fuente de docs/ realmente citó cada respuesta, y haz que el bot incluya una línea “Fuente: archivo.md” en su respuesta, una característica pequeña pero real de construcción de confianza para cualquiera que lea la respuesta.
• Una vez que tu carpeta de documentación supere lo que cabe cómodamente en memoria, mira una base de datos vectorial real como ChromaDB, exactamente como se sugiere en el “A dónde ir desde aquí” del proyecto de App RAG, nada sobre la capa de Discord necesita cambiar para soportarlo.
• Despliega el bot en algún lugar que se mantenga activo sin que tu propia laptop esté corriendo, una pequeña VM siempre activa, o un nivel gratuito en una plataforma como Railway o Fly.io, para que siga respondiendo preguntas incluso cuando no estés en tu máquina.

Comparte tu proyecto con la clase

¿Construiste algo de lo que estás orgulloso? examples/student-projects/ es una galería de proyectos que otros estudiantes han enviado, y su README tiene un recorrido completo y amigable para principiantes sobre cómo agregar el tuyo vía un pull request, incluso si nunca has usado git antes: hacer fork del repositorio, crear una rama, confirmar tus archivos, y abrir el PR, un paso a la vez. No se asume experiencia previa con git.

Bienvenido a escribir Python fuera del navegador. 🎓