# AFP Chatbot con RAG - Sistema de Consultas Inteligentes

Una aplicación web que implementa **RAG (Retrieval-Augmented Generation)** para responder consultas sobre el cuarto retiro de AFP en Perú, combinando búsquedas locales con información específica y respuestas contextuales.

Source Code: [https://github.com/joedayz/afp-chatbot-rag-langchain-faiss](https://github.com/joedayz/afp-chatbot-rag-langchain-faiss)

## **🧠 ¿Qué es RAG y cómo funciona en este proyecto?**

### **¿Qué es RAG?**

**RAG (Retrieval-Augmented Generation)** es una técnica de inteligencia artificial que combina:

1. **Retrieval (Recuperación)**: Busca información relevante en una base de datos local
    
2. **Augmented Generation (Generación Aumentada)**: Usa esa información para generar respuestas más precisas y contextuales
    

### **¿Cómo funciona nuestro RAG?**

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1759592574281/874cab17-e5c2-4440-9879-d02f4376c85c.png align="center")

### **Ventajas de nuestro sistema RAG:**

* ✅ **Información específica**: Usa datos oficiales sobre el 4to retiro de AFP en Perú
    
* ✅ **Respuestas contextuales**: Las respuestas están basadas en información real y actualizada
    
* ✅ **Búsqueda semántica**: Encuentra información relevante aunque no uses las palabras exactas
    
* ✅ **Fallback inteligente**: Si no encuentra información local, puede buscar en internet
    
* ✅ **Sin dependencia de internet**: Funciona principalmente con datos locales
    

## **📋 Requisitos del Sistema**

* **Python 3.8+**
    
* **Node.js 16+**
    
* **API Key de OpenAI** (opcional, solo para fallback)
    
* **8GB RAM mínimo** (para el modelo de embeddings)
    

## **🛠️ Configuración e Instalación**

### **1\. Clonar el Repositorio**

```plaintext
git clone <tu-repositorio>
cd ai-chatbot
```

### **2\. Configurar el Backend**

```plaintext
# Navegar al directorio del backend
cd backend

# Crear y activar entorno virtual
python3 -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

# Instalar dependencias
pip install fastapi uvicorn langchain langchain-community langchain-huggingface sentence-transformers faiss-cpu openai python-dotenv
```

### **3\. Configurar Variables de Entorno**

Crear archivo `.env` en el directorio `backend/`:

```plaintext
OPENAI_API_KEY=tu_api_key_aqui_opcional
HOST=localhost
PORT=8000
```

**⚠️ IMPORTANTE**: El archivo `.env` está en `.gitignore` por seguridad.

### **4\. Procesar los Datos (Crear Vectorstore)**

```plaintext
# Asegúrate de estar en el directorio backend con el venv activado
cd backend
source venv/bin/activate

# Ejecutar el script de ingest para procesar los datos
python ingest.py
```

Este comando:

* Lee el archivo `data/data1.txt` con información sobre el 4to retiro de AFP
    
* Divide el texto en chunks para mejor búsqueda
    
* Crea embeddings usando el modelo `sentence-transformers/all-MiniLM-L6-v2`
    
* Guarda el vectorstore en `vector_store/`
    

### **5\. Configurar el Frontend**

```plaintext
# Navegar al directorio del frontend
cd frontend

# Instalar dependencias
npm install
```

## **🚀 Ejecutar la Aplicación**

### **Terminal 1: Backend (API)**

```plaintext
cd backend
source venv/bin/activate
uvicorn main:app --reload --host 0.0.0.0 --port 8000
```

### **Terminal 2: Frontend (Interfaz Web)**

```plaintext
cd frontend
npm run dev
```

### **URLs de Acceso:**

* **Frontend**: [http://localhost:5173](http://localhost:5173/)
    
* **Backend API**: [http://localhost:8000](http://localhost:8000/)
    
* **Documentación API**: [http://localhost:8000/docs](http://localhost:8000/docs)
    

## **🔍 Cómo Funciona la Búsqueda**

### **1\. Búsqueda Local (RAG)**

Cuando haces una pregunta, el sistema:

1. Convierte tu pregunta en un vector usando embeddings
    
2. Busca en el vectorstore local los documentos más similares
    
3. Combina la información encontrada para generar una respuesta contextual
    

### **2\. Fallback a Internet**

Si no encuentra información relevante localmente, puede:

* Buscar en internet (si está configurado)
    
* Usar OpenAI para generar una respuesta general
    

### **Ejemplos de Preguntas que Funcionan Bien:**

* "¿Cuándo puedo retirar mi AFP?"
    
* "¿Qué fechas corresponden a mi DNI que termina en 5?"
    
* "¿Cuánto dinero puedo retirar?"
    
* "¿Cómo consulto mi AFP?"
    
* "¿Cuáles son las fechas del cronograma?"
    

## **🔧 Estructura del Proyecto**

```plaintext
ai-chatbot/
├── backend/
│   ├── main.py              # API FastAPI con endpoints RAG
│   ├── ingest.py            # Script para procesar datos y crear vectorstore
│   ├── config.py            # Configuración y variables de entorno
│   ├── data/
│   │   └── data1.txt        # Información sobre 4to retiro AFP Perú
│   ├── vector_store/        # Vectorstore generado (no versionar)
│   │   ├── index.faiss      # Índice FAISS
│   │   └── index.pkl        # Metadatos
│   ├── .env                 # Variables de entorno (no versionado)
│   └── venv/                # Entorno virtual Python
├── frontend/
│   ├── src/
│   │   ├── App.tsx          # Componente principal React
│   │   └── App.css          # Estilos de la aplicación
│   ├── package.json         # Dependencias Node.js
│   └── vite.config.ts       # Configuración Vite
└── README.md                # Este archivo
```

## **🚨 Troubleshooting**

### **Problema: "Puerto ya en uso"**

#### **1\. Encontrar qué proceso está usando el puerto:**

```plaintext
# Para puerto 8000 (backend)
lsof -i :8000

# Para puerto 5173 (frontend)
lsof -i :5173

# Ver todos los puertos en uso
netstat -tulpn | grep LISTEN
```

#### **2\. Matar procesos específicos:**

```plaintext
# Matar proceso por PID (reemplaza XXXX con el PID real)
kill XXXX

# Matar proceso por puerto (macOS/Linux)
sudo lsof -ti:8000 | xargs kill -9
sudo lsof -ti:5173 | xargs kill -9

# Matar todos los procesos de uvicorn
pkill -f uvicorn

# Matar todos los procesos de node/vite
pkill -f "vite\|node"
```

#### **3\. Verificar que los procesos se cerraron:**

```plaintext
# Verificar puerto 8000
lsof -i :8000

# Verificar puerto 5173
lsof -i :5173
```

### **Problema: "ModuleNotFoundError: No module named 'langchain\_community'"**

**Solución:**

```plaintext
cd backend
source venv/bin/activate
pip install langchain-community
```

### **Problema: "Vectorstore no disponible"**

**Solución:**

```plaintext
cd backend
source venv/bin/activate
python ingest.py
```

### **Problema: "Error al cargar embeddings"**

**Solución:**

```plaintext
# Reinstalar dependencias de embeddings
pip uninstall sentence-transformers
pip install sentence-transformers
```

### **Problema: "LangChainDeprecationWarning: The class HuggingFaceEmbeddings was deprecated"**

**Solución:**

```plaintext
# Instalar el paquete actualizado
pip install -U langchain-huggingface

# El código ya está actualizado para usar:
# from langchain_huggingface import HuggingFaceEmbeddings
# en lugar de:
# from langchain_community.embeddings import HuggingFaceEmbeddings
```

### **Problema: "LangChainDeprecationWarning: Importing TextLoader from langchain.document\_loaders is deprecated"**

**Solución:**

```plaintext
# El código ya está actualizado para usar:
# from langchain_community.document_loaders import TextLoader
# en lugar de:
# from langchain.document_loaders import TextLoader
```

### **Problema: Frontend no se conecta al backend**

**Verificar:**

1. Backend está corriendo en puerto 8000
    
2. Frontend está corriendo en puerto 5173
    
3. No hay errores de CORS (ya configurado en el backend)
    
4. Verificar en el navegador: [http://localhost:8000](http://localhost:8000/) (debe mostrar mensaje de bienvenida)
    

### **Comandos de Diagnóstico Rápido:**

```plaintext
# Verificar que el backend responde
curl http://localhost:8000

# Verificar que el frontend responde
curl http://localhost:5173

# Ver logs del backend
# (Los logs aparecen en la terminal donde ejecutaste uvicorn)

# Ver logs del frontend
# (Los logs aparecen en la terminal donde ejecutaste npm run dev)
```

## **📊 API Endpoints**

### `POST /afp-query`

Consulta sobre el 4to retiro de AFP usando RAG local.

**Request:**

```plaintext
{
  "question": "¿Cuándo puedo retirar mi AFP si mi DNI termina en 5?"
}
```

**Response:**

```plaintext
{
  "answer": "Basándome en la información oficial disponible sobre el 4to retiro de AFP en Perú:\n\nSi termina en 5: 5, 6 de noviembre o 27 de noviembre...",
  "question": "¿Cuándo puedo retirar mi AFP si mi DNI termina en 5?",
  "source": "Información local del archivo data1.txt"
}
```

### `GET /search`

Búsqueda directa en el vectorstore.

**Request:**

```plaintext
GET /search?query=cronograma%20DNI
```

**Response:**

```plaintext
{
  "results": ["Texto relevante encontrado en los documentos..."]
}
```

## **🎯 Casos de Uso Educativos**

Este proyecto es ideal para aprender:

1. **RAG (Retrieval-Augmented Generation)**
    
2. **Embeddings y búsqueda semántica**
    
3. **Vectorstores con FAISS**
    
4. **APIs REST con FastAPI**
    
5. **Frontend con React y TypeScript**
    
6. **Procesamiento de texto con LangChain**
    
7. **Integración de sistemas de IA**
    

## **🔒 Consideraciones de Seguridad**

* ✅ **API Key protegida**: Se almacena en variables de entorno
    
* ✅ **CORS configurado**: Permite comunicación entre frontend y backend
    
* ✅ **Validación de entrada**: Se valida la entrada del usuario
    
* ✅ **Manejo de errores**: Respuestas de error apropiadas
    
* ✅ **Datos locales**: No envía información sensible a servicios externos
    

## **📝 Próximas Mejoras**

* Agregar más documentos al vectorstore
    
* Implementar búsqueda híbrida (local + internet)
    
* Agregar métricas de calidad de respuestas
    
* Implementar cache de respuestas
    
* Agregar autenticación de usuarios
    
* Mejorar la interfaz de usuario
    

## **🤝 Contribuciones**

Las contribuciones son bienvenidas. Por favor:

1. Fork el proyecto
    
2. Crea una rama para tu feature (`git checkout -b feature/AmazingFeature`)
    
3. Commit tus cambios (`git commit -m 'Add some AmazingFeature'`)
    
4. Push a la rama (`git push origin feature/AmazingFeature`)
    
5. Abre un Pull Request
    

## **📄 Licencia**

Este proyecto está bajo la Licencia MIT. Ver el archivo `LICENSE` para más detalles.

---

**Desarrollado con ❤️ para enseñar RAG y sistemas de IA a estudiantes**

*Este proyecto demuestra cómo implementar un sistema RAG completo, desde el procesamiento de datos hasta la interfaz de usuario, usando tecnologías modernas de IA.*