Saltar al contenido principal

Capítulo 1: Construcción de un Sistema de Preguntas y Respuestas sobre Documentos

Descripción general del proyecto​

Construya un sistema completo de preguntas y respuestas sobre archivos PDF con:

  • Carga y procesamiento de archivos PDF
  • Interfaz de chat con historial
  • Citación de fuentes

Arquitectura​

Paso 1: Configuración​

# requirements.txt
langchain==0.1.0
openai==1.3.0
chromadb==0.4.0
streamlit==1.28.0
pypdf==3.17.0

Paso 2: Procesamiento de documentos​

# document_processor.py
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma

def process_pdf(pdf_path, collection_name="docs"):
    # Load
    loader = PyPDFLoader(pdf_path)
    documents = loader.load()
    
    # Split
    splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000,
        chunk_overlap=200
    )
    chunks = splitter.split_documents(documents)
    
    # Embed and store
    embeddings = OpenAIEmbeddings()
    vectorstore = Chroma.from_documents(
        chunks, 
        embeddings,
        collection_name=collection_name,
        persist_directory="./chroma_db"
    )
    
    return vectorstore

Paso 3: Cadena RAG​

# rag_chain.py
from langchain.chat_models import ChatOpenAI
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory

def create_qa_chain(vectorstore):
    llm = ChatOpenAI(model="gpt-4", temperature=0)
    
    memory = ConversationBufferMemory(
        memory_key="chat_history",
        return_messages=True,
        output_key="answer"
    )
    
    chain = ConversationalRetrievalChain.from_llm(
        llm=llm,
        retriever=vectorstore.as_retriever(search_kwargs={"k": 3}),
        memory=memory,
        return_source_documents=True
    )
    
    return chain

Paso 4: Interfaz de usuario con Streamlit​

# app.py
import streamlit as st
from document_processor import process_pdf
from rag_chain import create_qa_chain

st.title("📄 Preguntas y Respuestas sobre Documentos")

# File upload
uploaded_file = st.file_uploader("Cargar PDF", type="pdf")

if uploaded_file:
    # Process PDF
    with st.spinner("Procesando..."):
        vectorstore = process_pdf(uploaded_file)
        chain = create_qa_chain(vectorstore)
    
    # Chat interface
    if "messages" not in st.session_state:
        st.session_state.messages = []
    
    for msg in st.session_state.messages:
        st.chat_message(msg["role"]).write(msg["content"])
    
    if prompt := st.chat_input("Pregunte sobre su documento"):
        st.session_state.messages.append({"role": "user", "content": prompt})
        st.chat_message("user").write(prompt)
        
        response = chain({"question": prompt})
        answer = response["answer"]
        
        st.session_state.messages.append({"role": "assistant", "content": answer})
        st.chat_message("assistant").write(answer)
        
        # Show sources
        with st.expander("Fuentes"):
            for doc in response["source_documents"]:
                st.write(f"Página {doc.metadata.get('page', 'N/A')}")
                st.write(doc.page_content[:200] + "...")

Ejecución de la aplicación​

streamlit run app.py

Mejoras​

  • Añadir autenticación
  • Soporte para múltiples archivos PDF
  • Exportar conversaciones
  • Añadir reranking