📚 Personal RAG Chatbot (Local AI)

Este proyecto permite chatear con cualquier documento PDF de forma local utilizando técnicas de Retrieval-Augmented Generation (RAG).

🚀 Características

• 100% Local: No requiere API Keys de OpenAI.
• Eficiente: Optimizado para correr en CPU.
• Arquitectura: Basado en LangChain-Classic y Hugging Face.

🛠️ Instalación

1. Clona el repositorio.
2. Crea un entorno virtual: python -m venv venv.
3. Instala dependencias: pip install -r requirements.txt.
4. Coloca tu PDF en la carpeta /data.
5. Ejecuta python ingest.py para indexar.
6. Ejecuta python chat.py para hablar con tus documentos.

🧠 Modelos utilizados

• Embeddings: all-MiniLM-L6-v2
• LLM: google/flan-t5-base

🛠️ Tecnologías y Herramientas

Este proyecto fue construido utilizando un stack de IA moderna optimizado para ejecución local:

• LangChain / LangChain-Classic: Framework principal utilizado para orquestar la lógica del RAG, gestionar los prompts y conectar el recuperador con el modelo de lenguaje.
• Hugging Face Transformers: Proporciona la infraestructura para cargar y ejecutar el modelo Flan-T5-Base (LLM) y el modelo de embeddings all-MiniLM-L6-v2.
• FAISS (Facebook AI Similarity Search): Biblioteca de alto rendimiento para la búsqueda de similitudes en espacios vectoriales, utilizada para almacenar e indexar los fragmentos del libro.
• PyTorch: Backend de computación tensorial necesario para ejecutar los modelos de Deep Learning en la CPU/GPU.
• PyPDF: Librería encargada de la extracción y procesamiento de texto desde los archivos PDF originales.
• Sentence-Transformers: Utilizada para generar representaciones vectoriales (embeddings) de alta calidad que permiten a la IA "entender" el contexto de las preguntas.