🧠 Free AI Agent – RAG + FLAN-T5 (100% Free, No API Keys)

Agente de IA que responde preguntas sobre tus documentos PDF / TXT usando un pipeline completamente gratuito:

• 🔎 RAG ligero con recuperación por TF-IDF (scikit-learn)
• 🤖 FLAN-T5 como modelo generador (Transformers, CPU)
• ⚙️ Backend en FastAPI completamente dockerizado
• 🖥️ Interfaz gráfica en Gradio
• 🧪 Funciona offline, sin tokens ni APIs externas

Este proyecto está pensado como un MVP limpio y entendible para portfolio: enseña cómo construir un agente RAG desde cero usando solo herramientas gratuitas.

---

✨ Funcionalidades principales

• Ingesta de uno o varios documentos (TXT / PDF con texto)
• Chunking automático del contenido
• Creación de índice TF-IDF para recuperar contexto relevante
• Respuestas generadas usando solo la información del documento
• API REST (/ingest y /ask)
• UI visual en Gradio para uso cómodo
• Docker para despliegue local reproducible

---

📦 Backend (FastAPI + Docker)

Desde la raíz del proyecto:

docker build -t ai-agent-backend ./backend
docker run --rm -p 8000:8000 ai-agent-backend

El backend estará disponible en:

👉 http://localhost:8000/docs

Desde ahí puedes probar los endpoints /ingest y /ask.

🖥️ UI opcional (Gradio)

En otra terminal:

py -m pip install -r backend/requirements.txt
py app.py

La interfaz estará disponible en:

👉 http://localhost:7860

🧪 Ejemplo de uso con cURL

1. Documento de prueba

echo "El aprendizaje supervisado usa pares entrada-salida." > sample_docs/doc1.txt

2. Ingesta:

curl -X POST "http://localhost:8000/ingest" -F "files=@sample_docs/doc1.txt"

3. Pregunta:

curl -X POST "http://localhost:8000/ask" -F "question=¿De qué trata el documento?" -F "k=3"

Respuesta típica:

{"answer": "El documento trata sobre el aprendizaje supervisado y el uso de pares entrada-salida."}

---

📂 Estructura del proyecto

/
├── backend/
│   ├── agent.py           # Lógica del RAG + LLM
│   ├── main.py            # FastAPI
│   ├── requirements.txt
│   └── Dockerfile
├── app.py                 # UI con Gradio
├── sample_docs/           # Documentos de ejemplo
├── screenshots/            # (Opcional) Capturas para el README
└── README.md

---

🧱 Arquitectura

1. Ingesta Lee PDFs/TXTs → limpia texto → genera chunks → construye TF-IDF.

2. Consulta

• Recupera los 𝑘 chunks más similares mediante coseno.
• Construye un prompt con el contexto recuperado.
• Genera respuesta usando FLAN-T5 en CPU.

3.Entrega

• API REST vía FastAPI
• UI opcional vía Gradio

---

🔧 Tecnologías usadas

• Python 3.11
• FastAPI
• Transformers (Hugging Face)
• scikit-learn
• pypdf
• Gradio
• Docker

---

🚀 Mejoras futuras (roadmap)

• Añadir stopwords en español al TF-IDF
• Resaltar el pasaje usado en la respuesta
• Soporte para CSV/JSON
• Guardar el índice para no re-ingestar
• Demo gratuita en Hugging Face Spaces

---

📜 Licencia

MIT License – libre para usar, modificar y ampliar.

👤 Autor

Adrián Muriel Bautista

• GitHub: https://github.com/adrmurbau
• LinkedIn: https://www.linkedin.com/in/adrmurbau