Saltar a contenido

ADR-014: Búsqueda con PostgreSQL FTS (no Elasticsearch)

Estado: Aceptado Fecha: 2026-06-21 Autores: Giampiero (mantenedor principal)

Contexto

La Fase 2 (E09 — búsqueda, consulta y reportes) exige búsqueda avanzada sobre radicados y expedientes: texto completo con ranking, coincidencia difusa/prefijo, filtros por campos (incluidos metadatos JSONB), rangos de fecha, y reportes/estadísticas. El SGDEA debe permitir que un operador encuentre cualquier radicado/expediente.

El motor de almacenamiento es PostgreSQL con aislamiento por schema tenant_{slug} (ADR-002) y acceso con asyncpg + SQL crudo (ADR-003). La base ya tiene búsqueda full-text nativa funcionando: columna generada search_vector tsvector con setweight/to_tsvector('spanish', …), índice GIN, e índices trigram (pg_trgm) para coincidencia difusa (document-service/migrations/tenant/003_search_indexes.sql, routers/search.py con websearch_to_tsquery + ts_rank + fallback ILIKE/trigram). Los metadatos variables viven en metadata JSONB con índice GIN (ADR-007).

La pregunta es si introducir Elasticsearch/OpenSearch como motor de búsqueda dedicado, o consolidar sobre las capacidades nativas de PostgreSQL.

Decisión

Implementar la búsqueda de OrpycaMCP sobre PostgreSQL nativo (FTS tsvector + pg_trgm + filtros JSONB/GIN), sin un motor de búsqueda externo en F2.

  • Texto completo: to_tsvector('spanish', …) con pesos (A=número de radicado, B=asunto, …), consulta con websearch_to_tsquery, ranking con ts_rank/ts_rank_cd, índice GIN sobre search_vector.
  • Difuso/prefijo: pg_trgm (índices GIN gin_trgm_ops) y unaccent para normalizar acentos.
  • Filtros estructurados y por metadato: WHERE sobre columnas + contención metadata @> $jsonb (índice GIN), rangos de fecha, estado, dependencia, tipo.
  • Reportes/estadísticas: agregaciones SQL (GROUP BY, COUNT, ventanas) sobre el schema del tenant.
  • El índice es derivado de la BD (la fila es la verdad): no se mantiene un store paralelo que pueda divergir.

Consecuencias

Positivas: - Cero infraestructura nueva: sin cluster Elasticsearch que desplegar, asegurar, versionar ni sincronizar. Coherente con el objetivo de despliegue sencillo del proyecto. - Aislamiento multi-tenant trivial: la búsqueda corre en tenant_{slug} como cualquier otra consulta (ADR-002). Con Elasticsearch habría que replicar el aislamiento (índice/alias por tenant + control de acceso) fuera del modelo ya probado. - Consistencia fuerte: el search_vector es una columna generada; no hay reindexado asíncrono ni ventana de inconsistencia BD↔índice. - Una sola fuente de datos y un solo lenguaje (SQL): filtros, texto y agregaciones en la misma consulta; sin ETL ni connectors. - Suficiente para la escala objetivo (instituciones públicas/privadas latinoamericanas): GIN + trigram rinden bien hasta millones de filas por tenant.

Negativas: - PostgreSQL FTS es menos potente que Elasticsearch en relevancia avanzada, sinónimos, fuzziness configurable, facetado a gran escala y agregaciones analíticas masivas. - El diccionario spanish cubre stemming básico; necesidades lingüísticas avanzadas (sinónimos, thesaurus) requieren configurar diccionarios propios. - A escalas muy grandes (decenas de millones de docs con consultas analíticas intensivas) podría requerirse un motor dedicado.

Mitigación / puerta de salida: si una institución supera lo que PostgreSQL FTS rinde, se podrá añadir un motor externo alimentado por eventos (orpycamcp.*.events, ADR-010) como índice derivado opcional por despliegue, sin cambiar el modelo de datos ni el contrato de la API de búsqueda. La decisión es reversible por diseño.

Alternativas consideradas

  • Elasticsearch/OpenSearch dedicado: descartado en F2 por el coste operativo (cluster, seguridad, sincronización), la fricción con el aislamiento por schema (ADR-002) y el riesgo de divergencia BD↔índice; su potencia extra no es necesaria a la escala objetivo.
  • LIKE/ILIKE simple sin índices: descartado por no escalar (escaneos secuenciales) y no ofrecer ranking.
  • Extensiones especializadas (p. ej. pgvector para semántica): fuera de alcance de E09; la búsqueda semántica/RAG pertenece a la capa de conocimiento (E21, ADR-006), no a la búsqueda documental de F2.

Relacionados

  • ADR-002 — la búsqueda corre por tenant_{slug}.
  • ADR-003 — SQL crudo; las consultas de búsqueda son SQL explícito.
  • ADR-007 — filtro por campo de metadato vía contención JSONB/GIN.
  • ADR-010 — la puerta de salida (índice externo) se alimentaría por eventos.