RAG

Aplicación Python de Recuperación de Generación Aumentada (RAG por sus sigla en inglés: Retrieval-Augmented Generation) que permite inyectar datos de documentos y responder preguntas usando LLM (Gemini) y visibilidad mediante Langsmith.

Este proyecto trabaja con PostgreVector y modelos de chat de Google Gemini como Open AI y Antrophic, por defecto con modelos de Gemini.

Claves secretas

Las siguientes claves debe inyectar en .env. Es fundamental ingresar estas claves antes de la ejecución del proyecto.

• LANGSMITH_API_KEY: Clave de langsmith. Puede obtener una en https://smith.langchain.com/.
• GOOGLE_API_KEY[Requerido si se ocupa modelo de Google]: Clave para usar de Gemini. Puede obtener una en https://aistudio.google.com/api-keys.
• OPENAI_API_KEY[Requerido si se ocupa modelo de Open AI]: Clave para usar de Open AI. Puede obtener una en https://platform.openai.com/settings/organization/api-keys.
• ANTHROPIC_API_KEY[Requerido si se ocupa model de Anthropic]: Clave para usar de Anthropic. Puede obtener una en https://console.anthropic.com/.

Otras variables de entorno:

• LANGSMITH_TRACING: Booleano (True o False) para indicar si se realiza rastreo de las llamadas a LLM.
• USER_AGENT: User agent que se desea usar para las llamadas web desde el LLM.
• CHAT_MODEL [Opcional]: Modelo para entablar la conversación que busca responder a la pregunta del usuario. Por defecto es google_genai:gemini-2.5-flash-lite.
• EMBEDDINGS_PROVIDER [Opcional: gemini | open_ai]: Plataforma que provee el modelo para hacer los embeddings. Por defecto es gemini.
• EMBEDDINGS_MODEL [Opcional]: Model para hacer los embeddings. Por defecto es models/gemini-embedding-001.

Microservicios

El proyecto cuenta con 2 microservicios:

• db: Instancia una base de datos PostgreSQL con PGVector para el almenamiento de vectores.
• api: Instancia una api de FastAPI para responder a las llamadas de inyección de nueva información de documentos PDF, HTML, MDy TXT como de páginas web; y responder a preguntas de aquella información.

Ambos servicios se levantan ejecutando con docker compose, que en v2:

• docker compose build api: Para crear la imagen de api. db no necesita creación de imagen ya que usa capa definida por pgvector.
• docker compose create [servicio: api y/o db]: Para crear la instancia del microservicio.
• docker compose start [servicio: api y/o db]: En cuanto api depende de db, si se levanta api, db se levantará automáticamente si no está corriendo ya.

O bien si se prefiere puede usar el comando docker compose up que crea imagen, construye e inicia containers y volúmenes.

Para detener un servicio:

• docker compose stop [servicio: api y/o db]

O bien use docker compose down si se quiere remover instancia, imágenes y volúmenes al momento de detener servicio.

La API es accesible en http://localhost:8080/docs

Tests:

Para ejecutar tests: docker compose exec api pytest Si se desea correr un test en particular: docker compose exec api pytest tests/test_rag.py::[nombre_test]