PDF问答系统

CHAT PARA CONTROL DE INCIDENCIAS IT

Este es un prototipo de un sistema RAG (Retrieval-Augmented Generation) construido con LangChain. La aplicación permite "chatear" con un documento PDF (arquitecturas.pdf), extrayendo contexto relevante de una base de datos vectorial para responder preguntas del usuario de forma precisa.

Tecnologías Utilizadas

• Framework: LangChain
• Modelos de Lenguaje (LLM):
  • Google Gemini (vía langchain_google_genai)
• Embeddings (Vectorización):
  • Ollama - nomic-embed-text (vía langchain_ollama)
• Base de Datos Vectorial:
  • ChromaDB (vía langchain_chroma)
• Gestión de Entorno:
  • python-dotenv
• Lenguaje de Programación:
  • Python

Instalación

1. Clonar el respositorio

git clone https://github.com/tatymediina/tp-rag-langchain.git

2. Moverse a la carpeta mcp-backend

cd mcp-backend

3. Crear un entorno virtual e instalar las dependencias del proyecto utilizando uv.

 uv sync

El proyecto se divide en dos fases principales: Ingesta y Recuperación/Generación.

1. Fase de Ingesta (Ingestion) Este proceso se corre una sola vez para "aprender" el documento.

Carga (upload_pdf): Se lee el archivo arquitecturas.pdf y se extrae todo su contenido de texto. División (text_splitter): El texto largo se divide en pedazos (chunks) más pequeños y manejables. Vectorización (embedding): Cada chunk de texto se convierte en un vector numérico (un "embedding") que representa su significado semántico, usando el modelo nomic-embed-text de Ollama. Almacenamiento (get_vector_store): Los vectores se guardan en una base de datos vectorial Chroma persistente (en el directorio ./vectorstore) en una colección específica. 2. Fase de Consulta (Chat Loop) Esto es lo que sucede cada vez que un usuario hace una pregunta.

Consulta (retrieval): La pregunta del usuario también se convierte en un vector. Chroma usa este vector para buscar y recuperar los chunks de texto más similares (semánticamente relevantes) de la base de datos. Contextualización (prompt): Se construye un prompt dinámico usando la plantilla. Este prompt le da al LLM su rol, sus reglas (ej. "responde solo con el contexto") e inyecta los chunks recuperados ({contexto}) y la pregunta del usuario ({input_user}). Generación (response): El prompt completo se envía al LLM (ej. Gemini). Streaming: La respuesta del LLM se recibe y se imprime en la consola en tiempo real (palabra por palabra). Exploración: Bases de Datos Vectoriales Aunque este proyecto utiliza Chroma por su simplicidad y capacidad de persistencia local, LangChain es compatible con una amplia gama de bases de datos vectoriales. La elección depende del caso de uso (producción vs. prototipo, escala, necesidad de filtros, etc.).

Aquí hay una comparativa de algunas alternativas populares: