Todos los proyectos
RAG
DocuChat AI
Hazle preguntas a cualquier PDF y obtén respuestas fundamentadas desde un índice de búsqueda híbrida.
El problema
Los equipos tienen respuestas enterradas en PDFs largos — manuales, políticas, informes — y la búsqueda por palabras clave no las encuentra.
Cómo funciona
Los documentos se dividen y vectorizan con bge-m3, se guardan en PostgreSQL con pgvector y se recuperan con búsqueda híbrida que combina similitud vectorial y ranking de texto completo. LangGraph orquesta la recuperación y la generación, y las respuestas vienen de LLaMA 3.1 en Groq en menos de un segundo.
Pipeline
- 01Carga
- 02Chunking y embeddings
- 03Recuperación híbrida
- 04Generación
- 05Respuesta
Puntos clave
- Búsqueda híbrida: vectorial y de texto completo en la misma base de datos
- Modelo de embeddings cargado una sola vez, con fallback GPU → CPU
- Backend en FastAPI con interfaz de chat en Streamlit
- Inferencia en plan gratuito: costo operativo casi nulo
Stack
LangGraphbge-m3pgvectorGroq · LLaMA 3.1FastAPIStreamlit
¿Quieres algo así para tu empresa?
Construyo versiones de producción de estos sistemas sobre tus datos y tu infraestructura.
Servicio relacionado: Asistentes de conocimiento
Agendar llamada