Nutrilac Bot: Tu Asistente Experto en nutrición preconcepcional, durante el embarazo y la lactancia.

Un chatbot inteligente que te permite "dialogar" con un documento sobre educación nutricional en la etapa preconcepcional, embarazo y lactancia. En lugar de buscar manualmente, simplemente haz una pregunta y obtén respuestas precisas y contextualizadas sobre este tema, esta dirigido a padres primerizos o especialistas en nutrición que buscan mayor información de este tópico específico.

Este proyecto utiliza un pipeline de RAG (Retrieval Augmented Generation) con LangChain y OpenAI para ofrecer una herramienta de Q&A potente sobre un corpus de documentos extenso.

🚀 Características Clave

• Interfaz de Chat Intuitiva: Construida con Streamlit para una experiencia de usuario limpia y sencilla.
• Q&A sobre Documentación: Haz preguntas en lenguaje natural sobre la sintaxis, módulos, clases o funciones de Python.
• Respuestas Basadas en la Fuente: El bot está instruido para basar sus respuestas únicamente en la documentación proporcionada, evitando invenciones.
• Procesamiento de Documentos Robusto: Utiliza RecursiveCharacterTextSplitter de LangChain para dividir de forma inteligente documentos PDF complejos, manteniendo el contexto de código y párrafos.
• Monitorización de Costes: Una barra lateral muestra en tiempo real los tokens utilizados y el coste en USD de cada consulta y del total de la sesión.

💻 Stack Tecnológico

• Frontend: Streamlit
• Backend y Orquestación: Python, LangChain
• Modelo de Lenguaje (LLM): OpenAI gpt-4o-mini
• Base de Datos de Vectores: ChromaDB
• Embeddings: OpenAI Embeddings
• Procesamiento de Documentos: PDFPlumber

🛠️ Instalación y Configuración

1. Clonar el Repositorio

   git clone https://github.com/tu-usuario/docupy-bot.git
   cd docupy-bot

2. Crear y Activar un Entorno Virtual

   # Crear el entorno
   python -m venv .venv
   
   # Activar en Windows
   .\.venv\Scripts\Activate.ps1
   
   # Activar en macOS/Linux
   source .venv/bin/activate

3. Instalar Dependencias

   pip install -r requirements.txt

4. Configurar tu API Key de OpenAI

   • Renombra el archivo config.example.yaml a config.yaml.
   • Edita config.yaml y reemplaza "your_openai_api_key" con tu clave de API de OpenAI.

5. Añadir tu Documento

   • Coloca el archivo PDF que quieres que el bot analice dentro de la carpeta data/.
   • Asegúrate de que el archivo app/new_data_loader.py apunte al nombre de tu documento (actualmente está configurado para nutricion.pdf).

🚀 Ejecución

1. Borra la Base de Datos Antigua (Solo la primera vez o si cambias el PDF)

   • Si existe una carpeta llamada vector_store/, elimínala para forzar al sistema a re-indexar tu documento.

2. Iniciar la Aplicación

   streamlit run app/app.py

   La primera vez que se ejecute, el proceso de indexación puede tardar varios minutos. En los siguientes inicios, la aplicación cargará la base de datos existente y arrancará casi al instante.

3. Chatea con tu Bot

   • Abre tu navegador y ve a http://localhost:8501.
   • ¡Empieza a hacer preguntas sobre tu documento!

📁 Estructura del Proyecto

nutrilac-bot/
│
├── app/
│   ├── app.py               # Lógica del Frontend (Streamlit)
│   ├── backend.py           # Lógica del Backend (LangChain RAG)
│   ├── new_data_loader.py   # Carga y procesa el PDF
│   ├── new_prompts.py       # Contiene el prompt del sistema para el bot
|   ├── test_backend.py      # Archivo para probar el funcionamiento del backend
|   ├── test_vector_store.py # Archivo para probar el funcionamiento de la carga de archivos vectoriales en ChromaDB
│   └── vector_store.py      # Gestiona la creación y carga de la BD de vectores
│
├── data/
│   └── nutricion.pdf    # El documento fuente para el bot
│
├── vector_store/        # Directorio donde se guarda la BD de vectores (creado automáticamente)
│
├── config.example.yaml  # Tu fichero ejemplo de configuración con la API key
├── requirements.txt     # Dependencias del proyecto
└── README.md            # Esta documentación