📈 Asesor Financiero RAG (Retrieval-Augmented Generation)

Este proyecto implementa un sistema de Inteligencia Artificial diseñado para actuar como un asesor financiero personal. Utiliza una arquitectura RAG para consultar una base de conocimiento compuesta por 8 libros clásicos de educación financiera y generar respuestas fundamentadas, precisas y con citas directas al autor.

🚀 Características Principales

• Procesamiento de Documentos Inteligente: Carga de PDFs con inyección de metadatos (autor, título y tema) para asegurar la trazabilidad de cada consejo financiero.
• Vectorización Acelerada por GPU: Uso de embeddings multilingües (google/embeddinggemma-300m) ejecutados de manera local optimizando los recursos de hardware (CUDA).
• Retrieval Avanzado (Pipeline Híbrido):
  • MMR (Maximal Marginal Relevance): Maximiza la diversidad de las fuentes (ej. contrastando las ideas de los diferentes autores).
  • Contextual Compression: Un LLM intermedio extrae únicamente la información vital de los fragmentos recuperados, eliminando el ruido ("basura contextual") antes de la inferencia final.
• Generación con Atribución: El modelo de lenguaje responde inyectando las citas exactas de dónde provino la información, evitando alucinaciones y sesgos.

🛠️ Stack Tecnológico

• Framework Core: LangChain
• Modelos de Lenguaje (LLM): gemini-2.5-flash-lite y gemma-3-27b-it (vía Google Generative AI)
• Modelos de Embeddings: HuggingFace (google/embeddinggemma-300m)
• Base de Datos Vectorial: ChromaDB (Persistente en almacenamiento local)
• Procesamiento de Texto: PyPDFLoader y RecursiveCharacterTextSplitter

⚙️ Instalación y Configuración del Entorno

Para garantizar la reproducibilidad del proyecto y evitar conflictos con las dependencias (especialmente con librerías de GPU y LangChain), se recomienda usar Conda.

Opción 1: Usando Conda (Recomendado)

Si tienes Anaconda o Miniconda instalado, puedes recrear el entorno exacto ejecutando:

# Clonar el repositorio
git clone <URL_DE_TU_REPOSITORIO>

# Crear el entorno a partir del archivo YAML
conda env create -f environment.yml

# Activar el entorno
conda activate Financial_advisor

Opción 2: Usando Pip

Si prefieres usar entornos virtuales de Python estándar (venv):

# Crear y activar el entorno virtual
python -m venv env
source env/bin/activate  # En Windows usa: env\Scripts\activate

# Instalar dependencias
pip install -r requirements.txt

[!warning] Advertencia: Variables de entorno Necesitarás una API Key de Google (Google AI Studio) para usar los modelos de generación.

🧠 Arquitectura del Pipeline de Datos

1. Ingesta (Document Loading & Splitting): Los 8 libros se leen, se les asignan metadatos y se dividen en chunks de 1200 caracteres con un overlap de 200 caracteres para no perder contexto.
2. Base Vectorial (ChromaDB): Los fragmentos se transforman en vectores de 768 dimensiones y se almacenan localmente en el directorio ./db/vectorial-db/ para evitar el re-procesamiento continuo.
3. Recuperación (Retrieval):
   • Búsqueda inicial de los 25 fragmentos más relevantes (fetch_k=25).
   • Filtrado MMR para seleccionar los 4 más diversos (k=4).
   • Compresión contextual (LLMChainExtractor) para limpiar los textos.
4. Respuesta (Question Answering): La consulta del usuario y el contexto comprimido se envían al LLM final usando LCEL (ChatPromptTemplate | model | StrOutputParser) asegurando la cita de fuentes.

💻 Uso

Una vez configurado el entorno y la API Key, el proyecto se puede ejecutar de manera secuencial usando Jupyter Notebooks:

# Ejemplo de consulta al Asesor Financiero
query = "¿Cuáles son los pasos a seguir para empezar a invertir?"

# El sistema recuperará el contexto comprimido y generará la respuesta
retrievedDocs = compressedRetriever.invoke(query)
reference = format_docs(retrievedDocs)

answer = chain.invoke({
    "query": query,
    "reference": reference,
})

print(answer)