🧩 Challenge

🛠 Chatbot personalizado con acceso a datos (LLM + RAG)

Implementa un mini chatbot (puede ser CLI o notebook) que, dado un input de usuario como:

“¿Qué talla debería elegir para este abrigo?”

...sea capaz de:

1. Acceder a un perfil de cliente (que te proporcionamos en JSON).
2. Consultar información de un producto (te damos una ficha técnica simulada).
3. Responder de forma coherente, justificando la talla sugerida.

Requisitos mínimos:

• Utilizar un LLM (puede ser OpenAI, Hugging Face u open-source).
• Simular una arquitectura tipo RAG (con búsqueda de contexto en datos estructurados).
• Incluir lógica para adaptar la recomendación según perfil de cliente.

Extra (opcional):

• Añadir memoria de conversación (por turnos).
• Manejar múltiples productos o clientes.

---

📝 Información General

simpleshop-rag es un chatbot basado en LLM (OpenAI) y arquitectura RAG, diseñado para recomendar productos de moda personalizados según el perfil del cliente y el catálogo de productos. Utiliza almacenamiento vectorial para búsquedas contextuales y permite interacción por línea de comandos.

---

🚀 Instalación y Configuración

1. Clonar el repositorio

git clone <url-del-repositorio>
cd simpleshop-rag

2. Crear y activar un entorno virtual (opcional pero recomendado)

python -m venv venv
# En Windows:
venv\Scripts\activate
# En Mac/Linux:
source venv/bin/activate

3. Instalar dependencias

Opción 1: Usando pip (tradicional)

pip install -r requirements.txt

Opción 2: Usando uv (más rápido)

Si no tienes uv instalado, instálalo primero:

pip install uv

Luego instala las dependencias:

uv pip install -r requirements.txt

4. Configurar variables de entorno

• Copia el archivo .env-example a .env y completa los valores necesarios:
  • Claves de API de OpenAI y Langsmith.
  • Rutas a los archivos de datos si necesitas personalizarlas.

cp .env-example .env

---

▶️ Ejecución

python main.py

El chatbot se ejecutará en modo CLI. Te pedirá tu nombre de usuario y podrás hacer preguntas sobre productos, tallas, recomendaciones, etc. Para salir, escribe q.

---

🧠 Lógica de la Aplicación

1. Identificación del usuario: El bot solicita el nombre del usuario para buscar su perfil.
2. Recuperación de contexto: Utiliza almacenamiento vectorial (FAISS) para buscar información relevante en los perfiles de clientes y el catálogo de productos.
3. Generación de respuesta: El LLM (GPT-4o-mini) integra el contexto recuperado y responde de manera personalizada.
4. Memoria conversacional: El historial de mensajes se mantiene durante la sesión para dar coherencia a la conversación.

---

📁 Estructura de Directorios

simpleshop-rag/
│
├── agents/
│   └── profile_lookup_agent.py      # Ejemplo alternativo de agente con Langchain/Langsmith
│
├── data/
│   ├── client_profiles.json         # Perfiles de clientes (JSON)
│   ├── product_catalog.json         # Catálogo de productos (JSON)
│   └── db/                         # Almacenamiento vectorial FAISS
│
├── mappers/
│   ├── profile_mapper.py            # Mapeo y formateo de perfiles de usuario
│   └── product_catalog_mapper.py    # Mapeo y formateo de productos
│
├── tools/
│   └── vector_storage.py            # Funciones para acceso y consulta al vector store
│
├── main.py                         # Script principal del chatbot (CLI)
├── requirements.txt                # Dependencias del proyecto
├── .env-example                    # Ejemplo de configuración de entorno
├── .env                            # Configuración real de entorno (no subir a git)
└── README.md                       # Este archivo