Enterprise RAG Auditor — Corporate Multi-Agent System

Sistema de auditoría documental con IA que permite a empresas consultar, analizar y verificar documentos corporativos con 0% de alucinaciones. Sube un PDF, hazle preguntas, y el sistema te responde exclusivamente con lo que dice el documento — citando las fuentes exactas.

Demo en producción: https://multiagente-rag.vercel.app

---

Arquitectura

El sistema opera como una cadena de agentes especializados:

Agente	Rol
Orquestador Principal	Gestor central de tareas — coordina el flujo completo
Ruteador Semántico	Entiende la intención de la consulta y decide el camino (respuesta rápida vs. búsqueda profunda)
Agente de Búsqueda	Recupera los fragmentos más relevantes del documento usando búsqueda híbrida (semántica + keywords)
Embedding Engine	Convierte texto en vectores numéricos para comparación semántica
Agente Escritor	Redacta la respuesta estructurada basada en el contexto recuperado
Agente de Verificación	Audita la respuesta contra el documento original — rechaza si detecta alucinación (máx. 3 intentos)

---

Funcionalidades

• Ingesta de PDFs — Sube documentos extensos; el sistema los divide en chunks y los indexa con embeddings
• Chat RAG — Consultas en lenguaje natural respondidas exclusivamente con contenido del documento
• 0% Alucinaciones — El Agente Verificador garantiza que cada dato numérico citado exista textualmente en el documento
• Generación de gráficos — Cuando la respuesta incluye datos cuantitativos, el sistema genera charts interactivos automáticamente
• Visualizador vectorial — Panel en tiempo real que muestra los chunks indexados como scatter plot (proyección PCA 2D)
• Motor híbrido — Combina búsqueda semántica (pgvector) con búsqueda por keywords (full-text) para máxima precisión
• Multi-tenant — Cada usuario tiene su espacio aislado con RLS a nivel de base de datos

---

Tech Stack

Capa	Tecnología
Framework	Next.js 16 + React 19 + TypeScript
AI Engine	Vercel AI SDK v5 + Claude Sonnet 4.6 (Anthropic)
Router	Claude 3 Haiku (clasificación de intención)
Embeddings	sentence-transformers (Python pipeline)
Base de datos	Supabase + pgvector (búsqueda híbrida)
Auth	Supabase Auth (Email + Google OAuth)
Estilos	Tailwind CSS 3.4
Estado	Zustand
Deploy	Vercel

---

Setup Local

1. Instalar dependencias

npm install

2. Variables de entorno

cp .env.example .env.local

Completar en .env.local:

NEXT_PUBLIC_SUPABASE_URL=tu_supabase_url
NEXT_PUBLIC_SUPABASE_ANON_KEY=tu_anon_key
SUPABASE_SERVICE_ROLE_KEY=tu_service_role_key
ANTHROPIC_API_KEY=tu_anthropic_key
NEXT_PUBLIC_SITE_URL=http://localhost:3000
PYTHON_BIN=/ruta/a/python3

3. Base de datos

Aplicar las migraciones en orden desde supabase/migrations/:

# Via Supabase Dashboard → SQL Editor, o con Supabase CLI:
supabase db push

4. Pipeline de embeddings (Python)

cd src/features/ai/scripts
pip install -r requirements.txt

5. Correr el servidor

npm run dev

---

Flujo de uso

1. Login — Ingresa con email o Google
2. Sube un PDF — Arrastra el archivo al panel izquierdo
3. Espera la indexación — El pipeline Python genera embeddings y los almacena en Supabase
4. Consulta — Escribe tu pregunta en el chat; el sistema busca, redacta y verifica la respuesta
5. Visualiza — El panel vectorial muestra los clusters de chunks de tus documentos en tiempo real

---

Estructura del proyecto

src/
├── app/
│   ├── (auth)/login & signup    # Autenticación
│   ├── api/chat                 # Streaming RAG endpoint
│   ├── api/upload               # Ingesta de PDFs
│   ├── api/documents            # CRUD documentos
│   └── api/chunks/positions     # Coordenadas 2D para visualizador
│
├── features/ai/
│   ├── components/
│   │   ├── AgentFlowVisualizer  # Pipeline de agentes en tiempo real
│   │   ├── VectorDBInspector    # Scatter plot de chunks (PCA 2D)
│   │   ├── DocumentUpload       # Ingesta de PDFs
│   │   └── ArchitectureDiagram  # Diagrama del sistema
│   ├── services/rag-agents      # Lógica de búsqueda híbrida
│   └── scripts/ingest_pipeline  # Pipeline Python de embeddings
│
supabase/migrations/             # Schema completo + pgvector + RLS

---

Enterprise RAG Auditor — Respuestas verificadas, nunca alucinadas.