🧠 InsightRAG: Intelligent Document Intelligence System

InsightRAG es un sistema de Generación Aumentada por Recuperación (RAG) diseñado para transformar documentos PDF estáticos en una base de conocimiento interactiva. Combina embeddings locales (privacidad/coste) con LLMs (Google Gemini) para sintetizar respuestas con trazabilidad.

🚀 Key Features

• Hybrid RAG Pipeline: ingesta PDF → chunking → embeddings locales → ChromaDB → recuperación → respuesta con Gemini.
• Dynamic Model Selection: lista modelos disponibles desde el proveedor y permite elegir en UI.
• Vector Persistence: persistencia local en ChromaDB para iterar rápido.
• Sources / Traceability: devuelve evidencias con metadatos (página) + snippet.
• Professional UI: chat moderno con selección de modelo y carga de documentos.

🏗️ Architecture

La documentación técnica está en la carpeta docs/:

• docs/ARCHITECTURE.md: flujo completo PDF → vectores → RAG (incluye diagramas Mermaid).
• docs/API_GUIDE.md: contrato API, errores y notas operativas (incl. 429).
• docs/DECISIONS.md: justificación de decisiones (embeddings locales, chunking, persistencia, etc.).

🛠️ Tech Stack

Component	Technology
Frontend	React + Vite + Axios + Tailwind
Backend	FastAPI + LangChain
Vector DB	ChromaDB
Embeddings	HuggingFace (local: sentence-transformers/all-MiniLM-L6-v2)
LLM	Google Gemini (via langchain-google-genai)

⚙️ Installation & Setup

1) Backend

cd backend
pip install -r requirements.txt

Crea tu .env (puedes copiar el ejemplo):

copy .env.example .env

Añade tu GOOGLE_API_KEY en backend/.env.

Arranque:

uvicorn src.main:app --reload

API (dev): http://127.0.0.1:8000 Swagger: http://127.0.0.1:8000/docs

2) Frontend

cd frontend
npm install

Configura la URL del backend con variables de entorno (Vite):

• frontend/.env (ya incluido en este repo para dev local)
• ejemplo: frontend/.env.example

npm run dev

UI (dev): http://localhost:5173

📸 Screenshots

1) Vista principal (UI)

Interfaz principal del chat, con selector de modelo y carga de documentos PDF para iniciar la ingesta.

2) Respuesta con trazabilidad (RAG)

Ejemplo de pregunta y respuesta generada, incluyendo fuentes/evidencias con metadatos (página) y un snippet del contenido recuperado.

🧪 API Contract (Quick Reference)

• GET /models → lista modelos
• POST /upload → ingiere un PDF
• POST /ask → { query, model_name } → { answer, sources: [{ page, snippet }] }
• POST /reset → resetea vector DB

🗺️ Roadmap (Engineering-grade)

• Rate limiting server-side y backoff con jitter para 429.
• Streaming de tokens (SSE/WebSocket) para UX.
• Multi-document / multi-user (índices por sesión/usuario).
• Evaluación: dataset + métricas (hit-rate, faithfulness).