YACHAY

Problema

Responder preguntas sobre un corpus documental de forma precisa, sin depender de un presupuesto elevado ni de infraestructura administrada costosa.

Restricciones

• Presupuesto: priorizar herramientas gratuitas o locales donde fuera posible.
• Precisión: evitar alucinaciones del modelo, citando fuentes reales del corpus.

Arquitectura

Agente RAG construido con OCI Generative AI + LlamaIndex + ChromaDB. Embeddings con BAAI/bge-m3, y como LLM meta.llama-3.3-70b-instruct.

Decisiones

• bge-m3 por ser un modelo de embeddings multilingüe, relevante para corpus en español.
• ChromaDB por ser local y gratuito, evitando el costo de una base de datos vectorial administrada.

Mi rol

Proyecto individual, desarrollado en el marco de un challenge de Alura.

Resultado

Proyecto propio, construido para el challenge de Alura. Sin datos de producción todavía — es un proyecto de aprendizaje enfocado en validar la arquitectura RAG.