Sistema de búsqueda semántica con Inteligencia Artificial que permite consultar documentos propios y obtener respuestas contextualizadas utilizando modelos LLM locales.
Las empresas y profesionales manejan información en documentos (PDF, TXT, etc.) que:
- no es fácilmente consultable
- requiere búsqueda manual
- no escala para responder preguntas frecuentes
Este proyecto resuelve ese problema mediante un sistema RAG (Retrieval-Augmented Generation).
El sistema permite:
- Cargar documentos propios
- Convertirlos en embeddings
- Almacenarlos en una base vectorial (ChromaDB)
- Buscar información relevante según una pregunta
- Generar respuestas usando un modelo LLM (Ollama)
¿Qué servicios ofrece la empresa?
La empresa ofrece automatización de consultas frecuentes, agentes de inteligencia artificial para WhatsApp, sistemas RAG, integración con APIs y automatización de leads.
- Ollama → LLM local
- LlamaIndex → pipeline RAG
- ChromaDB → base vectorial
- HuggingFace Embeddings → representación semántica
- Python → backend
Documentos → Embeddings → Vector DB → Query → Retrieval → LLM → Respuestapython -m venv venv.\venv\Scripts\Activate.ps1python -m pip install -r requirements.txtollama listollama pull phi3python -m app.ingestpython -m app.queryrag-multi-agent-assistant/
├── app/
│ ├── ingest.py
│ ├── query.py
│ ├── config.py
├── data/
│ └── docs/
├── vectorstore/
├── prompts/
├── examples/
├── docs/
├── requirements.txt
└── README.md- Implementación de sistemas RAG reales
- Uso de embeddings y búsqueda semántica
- Integración de LLMs locales
- Diseño de pipelines de IA
- Procesamiento de información no estructurada
- Integrar LangChain
- Clasificación de intención
- Agentes multi-rol (CrewAI)
- Interfaz de usuario
- Integración con APIs externas
Etapa 1 completada: RAG básico funcional con documentos propios.
Alberto Arce AI Engineer | Backend Developer
- LinkedIn: https://linkedin.com/in/cucuarce
- GitHub: https://github.com/cucuarce