n8n Career Path - Agent

Este repositorio contiene dos flujos de n8n que implementan un agente académico inteligente capaz de recomendar programas de maestría para estudiantes de ingeniería de sistemas o áreas tecnológicas, combinando técnicas de RAG (Retrieval-Augmented Generation) y modelos de lenguaje.

Autores

Tomás Lopera

Pedro Sierra

Descripción General

El sistema está compuesto por dos flujos principales:

1. Agent → Agente conversacional inteligente que interactúa con el usuario, analiza sus intereses y genera recomendaciones personalizadas.
2. RAG → Flujo de ingestión y vectorización de documentos de maestrías desde Google Drive hacia un índice en Pinecone, utilizado por el agente para enriquecer las recomendaciones.

Tecnologías utilizadas

• n8n – Orquestador del flujo de datos e integración de herramientas de IA.
• FastAPI – API backend para procesar solicitudes y servir predicciones.
• Hugging Face (BERT) – Modelo preentrenado para predecir programas de maestría relevantes según el perfil del usuario.
• Pinecone – Vector database utilizada como base de conocimiento semántica.
• OpenAI Embeddings – Para generar representaciones vectoriales de los textos de maestrías.
• Google Drive API – Fuente de datos para cargar y actualizar la información de los programas académicos.

Flujo 1: AI Agent (Asesor Académico)

Este flujo gestiona la conversación con el usuario, recopila sus intereses y genera una recomendación personalizada. Integra:

• Un modelo de chat (OpenAI) para la interacción.
• Una memoria de contexto para mantener coherencia.
• Un HTTP Request Tool conectado a la API de FastAPI.
• Una VectorStore Pinecone para enriquecer las recomendaciones con información detallada.

Flujo 2: RAG Loader (Carga y Embeddings)

Este flujo se ejecuta automáticamente cuando se carga un nuevo archivo con información de programas en Google Drive. Procesa los documentos en los siguientes pasos:

• Trigger de Google Drive (nuevo archivo detectado).
• Descarga del documento.
• División del texto en fragmentos (Text Splitter).
• Generación de embeddings (OpenAI).
• Inserción en Pinecone como base de conocimiento vectorial.

API del modelo

El modelo BERT se aloja mediante FastAPI, expuesto localmente o vía ngrok. Se encarga de recibir el resumen de preferencias del usuario y devolver las tres maestrías más adecuadas.

Modelo Utilizado

Endpoint

POST /predict
{
  "text": "Me gusta la ciberseguridad y el análisis de datos"
}